文献类型：期刊文章

作　　者：李传林[1,3,4] 黄风华[2] 胡威[1,3,4] 曾江超[1,3,4]

LI Chuanlin;HUANG Fenghua;HU Wei;ZENG Jiangchao(Key Laboratory of Spatial Data Mining&Information Sharing of Ministry of Education,Fuzhou University,Fuzhou 350108,China;Fujian University Engineering Research Center of Spatial Data Mining and Application,Yango University,Fuzhou 350015,China;National Engineering Research Centre of Geospatial Information Technology,Fuzhou University,Fuzhou 350108,China;The Academy of Digital China,Fuzhou University,Fuzhou 350108,China)

机构地区：[1]福州大学空间数据挖掘与信息共享教育部重点实验室,福州350108 [2]阳光学院空间数据挖掘与应用福建省高校工程研究中心,福州350015 [3]卫星空间信息技术综合应用国家地方联合工程研究中心,福州350108 [4]福州大学数字中国研究院(福建),福州350108

出　　处：《地球信息科学学报》

基　　金：福建省自然科学基金项目(2019J01088)~。

年　　份：2021

卷　　号：23

期　　号：12

起止页码：2232-2243

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对目前基于深度学习与高分辨率遥感影像的建筑物提取研究现状,本文提出了一种综合ResNet中的ResBlock残差模块和Attention注意力机制的改进型Unet网络(Res;ttentionUnet),并将其应用于高分辨率遥感影像建筑物提取,有效地提高了建筑物的提取精度。具体优化方法为:在传统的Unet语义分割网络卷积层中加入针对初高级特征加强提取的ResBlock残差模块,并在网络阶跃连接部分加入Attention注意力机制模块。其中,ResBlock残差模块使卷积后的特征图获取更多的底层信息,增强卷积结构的鲁棒性,从而防止欠拟合;Attention注意力机制可增强对建筑物区域像素的特征学习,使特征提取更完善,从而提高建筑物提取的准确率。本研究采用武汉大学季顺平团队提供的开放数据集(WHU Building Dataset)作为实验数据,并从中选取3个具有不同建筑物特征和代表性的实验区域,然后分别对不同实验区域进行预处理(包括滑动裁剪和图像增强等),最后分别使用Unet、ResUnet、AttentionUnet和Res;ttentionUnet 4种不同的网络模型对3个不同实验区进行建筑物提取实验,并对实验结果进行交叉对比分析。实验结果表明,与其他3种网络相比,本文所提出的Res;ttentionUnet在基于高分辨率遥感影像的建筑物提取中具有更高的精度,平均提取精度达到95.81%,相较于原始Unet网络提升17.94%,同时相较于仅加入残差模块的Unet网络(ResUnet)提升2.19%,能够显著地提升高分辨率遥感影像中建筑物提取的效果。

关 键 词：深度学习  高分辨率遥感影像 建筑物提取 残差模块  注意力模块  卷积神经网络 Unet网络  Res_AttentionUnet  

分 类 号：TP751] P237]