面向高分影像建筑物提取的多层次特征融合网络.docx资源-CSDN文库

版权申诉

171 浏览量 2022-11-29 17:43:21 上传评论收藏 994KB DOCX 举报

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。

剩余13页未读，继续阅读

内容反馈

版权申诉

罗伯特之技术屋

粉丝: 3895
资源: 1万+

最新资源

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

feedback-tip