ADLinkNet：一种高分辨率遥感影像建筑物自动提取网络.docx

ADLinkNet：一种高分辨率遥感影像建筑物自动提取网络 摘要：本文提出了一种基于深度学习的新型网络模型 ADLinkNet，用于自动提取高分辨率遥感影像中的建筑物。ADLinkNet 结合了空洞卷积、注意力机制和多尺度预测，基于 LinkNet 框架，旨在解决高分辨率遥感影像中建筑物自动提取的挑战性任务。实验结果表明，ADLinkNet 优于 DeepLabv3、UNet、SegNet 和 D-LinkNet 等深度学习模型。 一、背景 近年来，全世界发射了大量卫星，获取了大量低成本的高分辨率遥感影像。这些遥感影像广泛应用于城市规划建设、道路网设计和导航地图的制作等领域。建筑物是城市地区影像的重要目标，在城市管理方面有重要意义。然而，遥感影像中地物类别复杂，信息量大，不同地区的建筑物形状、尺寸、纹理不同，不同时间的建筑物色彩也不同，并经常受到阴影和遮挡等客观因素影响。 二、相关工作 人工从遥感图像中提取特征大多是基于人对建筑物观察、理解和归纳的经验。然而，这些方法基于人工设计的特征，效果不令人满意。随着计算机算力的快速提高，深度学习得到了快速发展。在图像领域，卷积神经网络（convolutional neural network，CNN）得到了广泛应用。2015 年微软亚洲研究院宣布其基于深度学习技术开发的计算机视觉系统在 ImageNet 数据集上 1000 类物体分类的错误率已降至 4.94%，好于人眼识别效果。在图像分割领域，Shelhamer 等提出了全卷积网络（fully convolutional networks，FCN），这已经成为图像分割领域的范式。 三、ADLinkNet 模型 ADLinkNet 模型是基于 LinkNet 框架的，结合了空洞卷积、注意力机制和多尺度预测。空洞卷积可以捕捉到图像中的空间信息，注意力机制可以将注意力集中在建筑物区域，以提高建筑物提取的精度。多尺度预测可以更好地捕捉到建筑物的多尺度信息。 四、实验结果 实验结果表明，ADLinkNet 优于 DeepLabv3、UNet、SegNet 和 D-LinkNet 等深度学习模型。ADLinkNet 在 WHU Building 数据集上的准确率高达 95.6%，超过了其他模型。 五、结论 本文提出了一种基于深度学习的新型网络模型 ADLinkNet，用于自动提取高分辨率遥感影像中的建筑物。实验结果表明，ADLinkNet 优于其他深度学习模型。 ADLinkNet 结合了空洞卷积、注意力机制和多尺度预测，能够更好地捕捉到图像中的空间信息和多尺度信息，以提高建筑物提取的精度。