文献类型：期刊文章

作　　者：惠健[1,2] 秦其明[1,2,3] 许伟[1,2] 隋娟[1]

HUI Jian;QIN Qiming;XU Wei;SUI Juan(Institute of Remote Sensing and Geographic Information System,School of Earth and Space Sciences,Peking University,Beijing 100871;Beijing Key Lab of Spatial Information Integration and 3S Application,Beijing 100871;Geographic Information System Technology Innovation Center,Ministry of Natural Resources,Beijing 100871)

机构地区：[1]北京大学遥感与地理信息系统研究所,北京大学地球与空间科学学院,北京100871 [2]空间信息集成与3S工程应用北京市重点实验室,北京100871 [3]自然资源部地理信息系统技术创新中心,北京100871

出　　处：《北京大学学报（自然科学版）》

基　　金：国家重点研发计划(2017YFB0503905)资助

年　　份：2019

卷　　号：55

期　　号：6

起止页码：1067-1077

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、MR、PROQUEST、RCCSE、RSC、SCOPUS、WOS、ZGKJHX、ZMATH、ZR、核心刊

摘　　要：针对基于深度神经网络的高分辨率遥感影像建筑物提取算法中将建筑物提取视为二分类问题(即将遥感影像中的像素点划分为建筑物与非建筑两类)而无法区分建筑物个体的局限性,将基于Xception module改进的U-Net深度神经网络方法与多任务学习方法相结合进行建筑物实例分割,在获取建筑物二分类结果的同时,区分不同建筑物个体,并选择Inria航空影像数据集对该方法进行验证。结果表明,在高分辨率遥感影像的建筑物二分类提取方面,基于Xception module改进的U-Net方法明显优于U-Net方法,提取精度升高1.4%;结合多任务学习的深度神经网络方法不仅能够实现建筑物的实例分割,而且可将二分类建筑物的提取精度提升约0.5%。

关 键 词：多任务学习 建筑物提取 深度神经网络  实例分割  

分 类 号：N]