没有合适的资源?快使用搜索试试~ 我知道了~
面向高分影像建筑物提取的多层次特征融合网络.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 171 浏览量
2022-11-29
17:43:21
上传
评论
收藏 994KB DOCX 举报
温馨提示
试读
14页
面向高分影像建筑物提取的多层次特征融合网络.docx
资源推荐
资源详情
资源评论
建筑物自动提取对于城市经济发展、土地利用分析、空间布局规划具有极为重要的价
值。近年来,高分辨率星载/机载技术愈发成熟,从影像上进行建筑物高精度的位置确定、
范围勾画逐渐成为可能。然而,由于建筑材料及其形状的不同,高分影像中建筑物内部特
征复杂且差异较大,难以完整提取。另外,建筑物周边环境复杂,其他人工地物干扰较
多,容易造成误分类。因此,建筑物的准确提取仍然面临巨大挑战。
从遥感影像上提取建筑物的研究起步较早,传统方法主要包括基于像元方法与面向对
象方法两类。前者聚焦于单一或者少量邻近像元,通过分析地物光谱、纹理等特征进行分
类,其中贝叶斯分类
[1]
、支持向量机(support vector machines,SVM)
[2]
等方法应用较为
广泛。后者的最小分析单位为地物斑块,利用地物斑块的形状、纹理、拓扑关系等特征提
取建筑物。例如,文献[3]利用阴影与建筑物的空间关系提取建筑物,效果较好;文献[4]提
出了形态学建筑物指数,提取的完整度更高。然而,在高空间分辨率影像中,建筑物内部
特征的空间破碎度更加明显,类内差异增大、类间特征混杂,传统方法难以解决不同光
照、成像条件下的建筑物提取问题。随着激光雷达(light detection and ranging,
LiDAR)技术的发展,从点云中获取地物信息也成为一种重要途径。文献[5-6]从点云中提
取的建筑物轮廓线完整、精度高,但是 LiDAR 数据获取成本高、难度大,难以应用在大范
围建筑物提取上。
近年来,深度学习发展迅速,在建筑物提取上也取得了较好的效果,主要有卷积神经
网络(convolutional neural networks,CNN)、全卷积神经网络(fully convolutional
networks,FCN)及其改进方法。文献[7]首次将 CNN 用于建筑物提取,随后其改进方法
不断涌现。文献[8]提出 ResNet 网络结构,解决了深层 CNN 中梯度爆炸的问题,为更深
层次网络提供了方案;文献[9]使用条件随机场(conditional random fields,CRF)在后处
理中优化建筑物边缘,改善了建筑物边界提取效果;文献[10]改进了 CNN 语义密集的问
题,设计了一个语义分割框架,可以适应不同分辨率的特征;文献[11]在 CVPR
(computer vision and pattern recognition conference)会议上提出 FCN,开辟了语义分
割领域的新道路;文献[12]对 FCN 进行改进,利用拓扑图的空间特征进行语义分割,提出
图卷积神经网络(graph convolutional networks,GCN);由编码器、解码器与像元级分
类器组成的深度卷积网络 SegNet
[13]
在效率与效果上均取得了较大提升。
神经网络方法众多,目前使用 CNN 提取建筑物仍是主流之一。在以往的研究中,利
用 CNN 提取建筑物主要基于编码器-解码器结构,编码器阶段提取影像特征,解码器阶段
恢复影像细节,但是浅层特征不足以支持对小型建筑物的提取,同时也难以准确划定建筑
物边界,即特征利用效率低,而多尺度网络思想
[14]
大大提升了图像特征的利用率。文献
[15]提出的多路径特征融合网络(multi attending path neural network,MAPNet)较好地
解决了该问题,但因其感受野尺寸单一,提取效果仍然会受大型建筑物内部丰富细节的影
响,使网络过多关注局部特征,难以从全局感知特征,从而导致提取的大型建筑物出现孔
洞,连续性、完整性较差。另外,在多路径融合阶段,该网络在所有路径上进行特征融
合,存在融合跨度过大的问题,稀释了路径内部提取的特征,对建筑物的准确识别造成不
利影响。
为解决上述问题,本文使用多路径卷积融合模块与大感受野特征感知模块,设计一种
多层次特征融合网络(multi-level feature fusion network,MFFNet),提升高分辨率遥感
影像的建筑物提取精度。
1. 本文方法
MFFNet 的核心思想是在多个维度上提取影像特征,精确捕捉建筑物的细节特征,并
且注重对全局信息的充分利用。MFFNet 结构如图 1 所示,主要包含 3 个部分:(1)预
处理部分:边缘检测算子;(2)特征提取部分:多路径卷积融合模块、大感受野特征感
知模块;(3)后处理部分:卷积注意力模块、金字塔池化增强模块。
图 1 多层次特征融合网络结构
Figure 1. Structure of MFFNet
下载: 全尺寸图片 幻灯片
1.1 预处理阶段
首先利用边缘检测算子提取边缘,将其标记为一个新的通道加入到原始影像中,然后
通过随机旋转与镜像翻转操作扩充样本。大感受野卷积模块主要在于扩大特征感知范围,
在更大范围内提取建筑物整体特征,抑制建筑物内部孔洞,改善大型建筑物提取效果。在
利用多尺度特征提取方法全面提取影像多层级特征的同时,在层级间优化融合机制,通过
相邻层级间特征融合实现多层次并行特征提取,解决网络大跨度层级间的特征干扰问题。
多路径卷积融合模块主要包含 3 个阶段,每一阶段将相邻两路径融合,通过下采样生成新
的路径,共计 3 条路径,在提取高级语义的同时保留其精确位置信息。卷积注意力模块
[16]
(convolutional block attention module,CBAM)是在通道注意力(channel attention
module,CAM)机制的基础上加入空间注意力(spatial attention module,SAM)机制,
用于去除冗余特征。最后,使用全局池化增强模块整合全局空间信息,防止过拟合的同时
提升方法鲁棒性。
1.2 特征提取阶段
特征提取阶段由多路径卷积融合模块与大感受野特征感知模块组成,前者提取影像深
层特征,并且记录位置信息;后者通过大感受野提取广域影像特征,减少局部特征对建筑
物完整性的干扰。
多路径卷积融合模块建立了多条特征提取路径,具有不同的特征提取深度。深度较小
的路径保持更高的空间分辨率,并且具有更多精细的空间位置信息;深度较大的路径提取
更深层次的特征信息。该模块由 3 个阶段组成,每个阶段实现本路径的特征提取与相邻路
径特征融合,随后生成更深层次的新路径。
大跨度路径间的特征提取重点差异较大,跨多路径特征融合会稀释本路径的特征,故
在融合过程中特征融合仅在相邻路径间进行。由于不同路径中的特征图具有不同的分辨率
与通道数,在融合前需要设计不同的卷积块对其进行统一。令 H 为特征图的高度,W 为特
征图的宽度,C 为特征图的层数,深层路径向浅层路径的融合方法如图 2(a)所示,深
层特征图通过卷积块扩充通道数,以双线性插值重采样至 2 倍大小,然后通过像素加法进
行融合。浅层路径向深层路径的融合方法如图 2(b)所示,在卷积后使用最大池化层实
现下采样,然后与深层特征图融合。
剩余13页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3895
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- FPGA读写 AD9708+ AD9280 ADDA实验Verilog逻辑源码Quartus工程文件+文档说明+硬件参考原理图
- 基于CH340C设计USB转TLL串口通信模块PADS 9.5设计硬件(原理图+PCB)文件.zip
- 信号与系统大作业-图像处理 实现了直接滤波法维纳滤波法最小二乘滤波法LR递归法matlab源码.zip
- php-leetcode题解之最小栈.zip
- php-leetcode题解之最长不含重复字符的子字符串.zip
- php-leetcode题解之最长公共前缀.zip
- php-leetcode题解之最小差值.zip
- php-leetcode题解之最小基因变化.zip
- php-leetcode题解之最小路径和.zip
- php-leetcode题解之最大正方形.zip
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功