文献类型：期刊文章

作　　者：何直蒙[1] 丁海勇[1] 安炳琪[1]

HE Zhimeng;DING Haiyong;AN Bingqi(School of Remote Sensing & Geomatics Engineering, Nanjing University of Information Science and Technology,Nanjing 210044,China)

机构地区：[1]南京信息工程大学遥感与测绘工程学院,江苏南京210044

出　　处：《测绘学报》

基　　金：国家自然科学基金(41571350)。

年　　份：2022

卷　　号：51

期　　号：3

起止页码：457-467

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2021_2022、DOAJ、EAPJ、EI、GEOBASE、IC、JST、PROQUEST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘　　要：利用高分辨率遥感影像提取建筑物是目前研究热点之一,但由于建筑物颜色各异、形状大小不同、细节繁多,提取结果普遍存在边缘模糊、转角圆滑和细节丢失等问题。本文提出一种基于空洞卷积的E-Unet深度学习网络。在E-Unet的结构设计中,引入跳跃连接以减少边缘和转角的细节损失;采用新设计的卷积模块,使其扩大感受野的同时减少参数量;底层增加Dropout模块避免网络发生过拟合现象;遥感影像输入网络前先进行直方图均衡化、高斯双边滤波和波段间比值运算,然后合并为多波段张量输入模型(不转换为灰度图像)。为验证网络性能、明确性能提升的原因,本文在Massachusetts和WHU建筑物数据集上设计了两组试验。第1组是E-Unet、Unet和Res-net 3种网络的对比试验,结果表明E-Unet不仅精度评价结果优于Unet和Res-net,而且建筑物边角的细节被完整提取。第2组是消融试验,目的是明确预处理模块对提取精度的提升效果,结果表明预处理模块能提升不同网络提取精度。通过这两组试验证明了预处理模块的有效性和本文提出网络的优越性。

关 键 词：深度学习  建筑物提取 空洞卷积  高分辨率遥感影像 E-Unet  

分 类 号：P231]