基于CCS U-Net网络模型的建筑物提取研究

这是一篇关于高分二号遥感影像,U-Net网络,超像素分割,边界增强,建筑物提取的论文, 主要内容为随着现代社会的逐步发展,城镇的变化也越来越快,为了丰富城市空间数据库,研究建筑物的自动提取技术必不可少。其中,使用高分二号结合深度学习技术对建筑物进行提取成为一种可行的方法,其鲁棒性较强。尤其是卷积神经网络,如FCN(全卷积神经网络)、U-Net、Seg Net等,这些网络模型对于特征抽取有着极其显著的优势,应用于建筑物目标提取的研究时,能够更加充分的利用影像信息,使结果更加精细。但网络本身的机制会令提取的边缘信息模糊,为了克服这个问题,本文提出一种基于Canny算法与SLIC(Simple Linear Iterative Clustering,简单线性迭代聚类)超像素分割结合U-Net网络的模型,用于增强建筑物边界再进行提取。本文选取的研究区域位于江西省南昌市新建区,该地区中建筑物类型多样,结合高分二号高分辨率遥感影像对其中的建筑物进行精确提取,能更好的体现建筑物提取技术的优势。为了进行研究,本文制作人工标签及多种数据集,并使用FCN、U-Net、Seg Net三种传统神经网络先进行实验的基本分析评价。结果表明:(1)U-Net网络在建筑物特征提取方面较其他两种网络的精度高,评价指标中的MPA大多在90%左右,而m Io U、OA指标也不低于84%。(2)对于多种数据集来说,RGB组合数据集和全波段数据集提取时的精度相差不大,指数数据集的精度最低。探讨U-Net网络的内部计算机制,对建筑物特征进行分析。本文将U-Net网络中第一层、第二层的卷积核进行抽取和归一化操作后,计算出图像中的每条通道的贡献值(即每条通道对于建筑物特征的贡献),对结果逐层分析,判断相关特征,获取最高特征权重链。结果表明:(1)U-Net网络在进行特征提取时,通过不断调整参数权重以获取不同地物特征,期间不会直接消除其他特征。在计算过程中运用相减,使得边界信息容易消失。(2)对每层节点中的相关成果和分析进行保存,发现第三通道的贡献值最高,为2.49。(3)以此为基础结合Canny边缘检测算法,增强边界,结果发现边缘检测效果较好,尤其是对于形状鲜明和排列规律的建筑物边界,纹理分明,只是对于亮度相似的边界检测较为模糊。利用SLIC超像素算法进行初始分割,通过新的边界检测保证位于边界两边的区域不会被错误连接,并结合U-Net网络检测出目标区域的类别划分(CCS U-Net模型),对于处于待定区域的区域,放大区块,上采样后,基于贡献度算法结合Canny算法基础上,重新判断,以保证增强边界。这种策略得到的结果表明:(1)从数据集的方面来说,不同数据集对于不同类型的建筑物有不同的适用性,对于大型或规则建筑物,RGB123和RGB234组合的数据集提取效果较好;对于密集建筑物更适用于RGB123组合的数据集,不规则建筑物和高层建筑物,分别更适用于RGB124组合和RGB234组合数据集。(2)从网络对比上来说,CCS U-Net在各个不同的数据集上对建筑物的提取精度都较好于U-Net,RGB124组合数据集中的OA精度相差最大,CCS U-Net比U-Net的总体精度高出9.9%,CCS U-Net模型提取建筑物时,MPA和OA的精度都在92.1%以上,m Iou都在86.1%以上,精度较高。

基于LTHNet的高分辨率遥感影像建筑物提取研究

这是一篇关于建筑物数据集,卷积神经网络,高分二号,高分辨率遥感影像,图像分割,建筑物提取,LTHNet模型的论文, 主要内容为人工智能技术的发展及遥感图像分辨率不断提高,带来了从遥感影像中提取建筑物数据的新思路。然而城市地表建筑由具有高度复杂特征的场景组成,传统地物提取方法难以准确分辨建筑物这类小尺度地物的轮廓,对建筑物目标提取一直是遥感图像分割领域的难点。而基于人工智能的深度学习算法不断优化,其在图像识别领域运用广泛,利用深度学习图像分割方法实现建筑物的精确提取有了技术基础,在此基础上研究一种基于高分辨率遥感影像的深度学习方法,具有重要的理论与实际应用价值。为了实现精确的建筑物提取,具体研究内容如下:(1)分析高分辨率遥感影像中建筑物复杂多样以及小且密集的特征,考虑图像上下文语义特征,提出一种基于高分辨率遥感影像的由低到高的分割引导增强网络(A Low-to-High Guided Enhancement Network for Remote Sensing Building Extraction,LTHNet),利用不同通道之间的相互关系来构建从低到高的层次结构,融合低级特征生成空间细节的同时利用高层特征构建丰富的语义信息,实现建筑物的精确提取。(2)提出从低到高解码模块(Low-to-High Decoder Module,LTH),获取背景比较复杂和孤立的建筑物关键特征,实现相邻特征之间融合;提出背景探索模块(Background Exploration Module,BEM),对前景特征和背景特征引入更为充分的上下文信息,保留建筑物更多的空间特征细节,实现类内紧凑的特征表示。(3)使用U-Net、Deeplabv3+、HRNet、PSPNet、DSNet和Build Former六种网络进行两种建筑物数据集提取。为探究网络模型在不同区域的提取效果,本文选取江西省南昌市区域的高分二号遥感影像数据为原始数据,通过对原始数据进行预处理和人工目视解译,建立了南昌建筑物矢量数据集。同时引入国际上常用的具有复杂建筑物覆盖的马萨诸塞州建筑物数据集。将两种数据裁剪为512×512尺寸大小的图片,并按比例划分为训练集、测试集和验证集作为建筑物提取的数据源。将研究样本集进一步细分为主城区、乡村区和工业区三类区域作定性分析。另外为了验证每个模块的有效性,进行了消融比较。结果表明:(1)LTHNet有效捕获足够的全局信息,对主城区中形状不规则、多尺度建筑物提取效果好;对乡村区分布随机无规则的单个建筑物的关键信息能有效提取;有效消除工业区内的大尺度建筑内部粘连现象;误检、漏检问题较少,准确度较高。(2)能够有效恢复空间分辨率,LTHNet检测到的建筑边界明显,更接近真实的建筑物边界。(3)提出的LTHNet在回召率、Io U和F1分数指标中获得了最高的精度,分别达到了82.54%,72.82%和84.27%;在马萨诸塞州数据集和新建的南昌建筑数据集上的提取精度结果优于近年来高引用率和高精度的U-Net、Deeplabv3+、HRNet、PSPNet、DSNet和Build Former等六种方法。本文创新点归纳如下:(1)构建了南昌市高分二号建筑物数据集;对比分析国外开源的马萨诸塞州建筑物数据集和构建的南昌市建筑物数据集,发现国内外建筑物的特征差异。(2)提出了LTH解码器模块和BEM模块,实现特征图在分辨率逐渐降低时减少空间语义信息丢失,具有增强小目标识别、复杂建筑物提取和改善边界模糊的综合能力。(3)根据目前建筑物提取存在的问题,构建了基于高分辨率遥感影像的建筑物提取LTHNet模型。通过将粗略的建筑物轮廓细化为更精细的建筑物足迹预测图来改进建筑物提取问题,对形状不规则的建筑物、小尺度建筑物、大尺度建筑物提取的效果均较好,可以作为遥感影像提取建筑物的一种有效的分割方法。

基于深度学习的高分辨率遥感影像建筑物提取和变化检测研究

这是一篇关于高分辨率遥感影像,建筑物提取,建筑物变化检测,多尺度特征,注意力机制的论文, 主要内容为建筑物为城市居民的居住、工作、休闲以及其他活动提供了基本的功能活动空间,快速提取高分辨率遥感影像数据中的建筑物信息,对城市规划、地表动态监测和土地利用管理等具有重要意义。但考虑到遥感影像构成复杂,仅依靠人力解译不仅效率低下,同时存在极大不稳定性。目前,相关建筑物提取与变化检测算法已能够实现建筑物的自动化分割,并有效地提高建筑物分割精度。然而,由于建筑物具有颜色纹理等特征可区分度高、呈一定空间排列分布、尺度大小不一、边缘形状复杂等特性,同时变化检测任务中前后时相影像存在时序关联的特点,建筑物的自动化提取与变化检测算法研究仍是一项具有挑战性的任务。因此,本文围绕遥感影像中建筑物提取与变化检测模型展开研究,主要工作包括:(1)针对高分辨率遥感影像中建筑物主体难定位、建筑物空间上下文信息未能有效利用、多尺度建筑物难充分提取等问题,提出了一种基于双向监督网络的建筑物提取模型—BDS-UNet。首先,在U-Net模型的跳跃连接部分引入协调注意力门控模块,通过沿着横纵两个不同空间方向聚合特征信息并互补生成注意力热图,合理整合建筑物特征并实现对建筑物主体的精准定位。其次,在U-Net模型的桥接部分加入连续空间金字塔模块,对小尺度空洞卷积分组并在组内对输入特征进行逐级叠加,进一步捕获不同建筑物间存在的空间上下文信息。最后,提出一种双向监督结构,在解码阶段分成自上而下和自下而上两个部分传播并融合相邻解码器的预测结果,有效提升模型的多尺度建筑物提取能力。公开的Massachusetts数据集和WHU数据集上的实验结果证明了本文所提出模型在建筑物提取方面的出色表现。(2)针对前后时相影像间时序特性难以充分捕获、变化区域边缘细节和空间上下文信息易被忽略的问题,提出一种基于变化感知和全局增强的建筑物变化检测模型—CAGE-Siam-UNet。首先,在Siam-UNet模型的孪生编码器特征融合阶段加入变化感知模块,从时空激活、通道激活和感知激活三个分支对前后时相特征进行激活,从而凸显不同时序建筑物的变化差异。其次,提出一种全局增强解码器结构,通过局部细化操作、空间上下文特征融合和双向深度监督,在丰富变化区域边缘细节和空间上下文信息的同时,优化模型的多尺度变化区域提取能力。公开的LEVIR数据集和WHU变化检测数据集上的实验结果证明了本文所提出模型在建筑物变化检测方面的出色表现。

基于CCS U-Net网络模型的建筑物提取研究

这是一篇关于高分二号遥感影像,U-Net网络,超像素分割,边界增强,建筑物提取的论文, 主要内容为随着现代社会的逐步发展,城镇的变化也越来越快,为了丰富城市空间数据库,研究建筑物的自动提取技术必不可少。其中,使用高分二号结合深度学习技术对建筑物进行提取成为一种可行的方法,其鲁棒性较强。尤其是卷积神经网络,如FCN(全卷积神经网络)、U-Net、Seg Net等,这些网络模型对于特征抽取有着极其显著的优势,应用于建筑物目标提取的研究时,能够更加充分的利用影像信息,使结果更加精细。但网络本身的机制会令提取的边缘信息模糊,为了克服这个问题,本文提出一种基于Canny算法与SLIC(Simple Linear Iterative Clustering,简单线性迭代聚类)超像素分割结合U-Net网络的模型,用于增强建筑物边界再进行提取。本文选取的研究区域位于江西省南昌市新建区,该地区中建筑物类型多样,结合高分二号高分辨率遥感影像对其中的建筑物进行精确提取,能更好的体现建筑物提取技术的优势。为了进行研究,本文制作人工标签及多种数据集,并使用FCN、U-Net、Seg Net三种传统神经网络先进行实验的基本分析评价。结果表明:(1)U-Net网络在建筑物特征提取方面较其他两种网络的精度高,评价指标中的MPA大多在90%左右,而m Io U、OA指标也不低于84%。(2)对于多种数据集来说,RGB组合数据集和全波段数据集提取时的精度相差不大,指数数据集的精度最低。探讨U-Net网络的内部计算机制,对建筑物特征进行分析。本文将U-Net网络中第一层、第二层的卷积核进行抽取和归一化操作后,计算出图像中的每条通道的贡献值(即每条通道对于建筑物特征的贡献),对结果逐层分析,判断相关特征,获取最高特征权重链。结果表明:(1)U-Net网络在进行特征提取时,通过不断调整参数权重以获取不同地物特征,期间不会直接消除其他特征。在计算过程中运用相减,使得边界信息容易消失。(2)对每层节点中的相关成果和分析进行保存,发现第三通道的贡献值最高,为2.49。(3)以此为基础结合Canny边缘检测算法,增强边界,结果发现边缘检测效果较好,尤其是对于形状鲜明和排列规律的建筑物边界,纹理分明,只是对于亮度相似的边界检测较为模糊。利用SLIC超像素算法进行初始分割,通过新的边界检测保证位于边界两边的区域不会被错误连接,并结合U-Net网络检测出目标区域的类别划分(CCS U-Net模型),对于处于待定区域的区域,放大区块,上采样后,基于贡献度算法结合Canny算法基础上,重新判断,以保证增强边界。这种策略得到的结果表明:(1)从数据集的方面来说,不同数据集对于不同类型的建筑物有不同的适用性,对于大型或规则建筑物,RGB123和RGB234组合的数据集提取效果较好;对于密集建筑物更适用于RGB123组合的数据集,不规则建筑物和高层建筑物,分别更适用于RGB124组合和RGB234组合数据集。(2)从网络对比上来说,CCS U-Net在各个不同的数据集上对建筑物的提取精度都较好于U-Net,RGB124组合数据集中的OA精度相差最大,CCS U-Net比U-Net的总体精度高出9.9%,CCS U-Net模型提取建筑物时,MPA和OA的精度都在92.1%以上,m Iou都在86.1%以上,精度较高。

基于卷积神经网络的高分辨率遥感影像建筑物提取方法研究

这是一篇关于高分辨率影像,深度学习,建筑物提取,卷积神经网络,语义分割的论文, 主要内容为高分辨率遥感影像建筑物提取在自然灾害应急与管理、国土资源利用与分析、智慧城市建设与规划等方面发挥着关键作用。随着对地观测技术的不断发展,从高分影像中自动、准确提取建筑物逐渐成为重要的研究课题之一。尽管高分辨率遥感影像提供了丰富的光谱信息,但各种建筑物之间的光谱差异与复杂的背景噪声对建筑物提取构成重大挑战。当前,建筑物提取方法包括基于传统和深度学习两种,传统方法需人工设计特征,耗时费力,深度学习因其强大特征表征能力成为遥感影像自动化解译领域的主流。但现有的基于深度学习算法分割结果仍存在建筑物内部空洞、边缘分割模糊等问题,本文对深度学习方法进行系统研究,通过改进特征提取网络,提高浅层与深层信息融合效率,进而优化网络的建筑物细节分割能力。论文的主要研究内容及成果如下:(1)针对建筑物提取中存在小尺度建筑物提取不完整、建筑物边界提取不准确等问题,将PSPNet特征提取网络的残差模块与Inception-v3嵌套使用,然后进行金字塔池化改善网络分割性能,提出非对称卷积金字塔残差网络(In＿PPM＿Res Net)。为验证In＿PPM＿Res Net的有效性和普适性,分别在WHU和AIRS建筑物数据集上进行实验,并将其与典型建筑物提取网络FCN-8s、UNet++、Seg Net、PSPNet进行对比。实验结果表明,在WHU数据集上,In＿PPM＿Res Net相较于其余网络,MIo U为最优值,达89.97%,其他评价指标也有一定程度提升,证明此模型的效率相对较高,在0.075m分辨率的AIRS数据集上,本文模型的MIo U、Precision、Recall、F1均为最优值,分别达88.51%、86.77%、88.95%和87.85%。另一方面,建筑物提取结果相比于其他网络,边界更准确,空洞少,具有一定实用性。(2)为进一步提升模型分割精度,加快模型效率,实现模型轻量化,在UNet基础上,将CBAM的空间注意力模块嵌入U-Net的编码阶段,将其与U-Net每个编码块的第二个卷积层级联,进而提出结合空间注意力模块U-Net网络。采用WHU和AIRS数据集验证FCN-8s、Seg Net、U-Net、结合空间注意力模块UNet网络性能,实验结果表明,本文提出的轻量化模型在WHU和AIRS上精度评价指标MIo U取得91.74%和90.40%的得分,与FCN-8s、Seg Net、U-Net相比,Precision、Recall、F1也有一定程度提升,本文模型建筑物提取结果更完整,边缘平直,误检率与漏检率低,证明模型的有效性。为增加该模型普适性,采用迁移学习方法辅助训练,获取具有抗干扰能力的收敛模型。从微观的定量分析和宏观的定性分析结果可知,在Inria数据集上,与基础网络U-Net相比,结合空间注意力模块U-Net网络的评价指标MIo U、Precision、Recall、F1、m AP均有提升,其次结合空间注意力模块U-Net网络的建筑物分割结果与实际更契合,毛边少,最后通过模型复杂度统计表的对比结果可知,在模型参数量增加的可接受范围,该模型具有更强的泛化能力。(3)针对基于深度学习算法输出的建筑物预测图不能直接应用的问题,开展数据后处理研究。采用Canny边缘检测算法提取建筑物轮廓,然后运用栅格图像矢量化技术与基于Arcpy的折弯提取算法输出建筑物斑块矢量。

基于LTHNet的高分辨率遥感影像建筑物提取研究

这是一篇关于建筑物数据集,卷积神经网络,高分二号,高分辨率遥感影像,图像分割,建筑物提取,LTHNet模型的论文, 主要内容为人工智能技术的发展及遥感图像分辨率不断提高,带来了从遥感影像中提取建筑物数据的新思路。然而城市地表建筑由具有高度复杂特征的场景组成,传统地物提取方法难以准确分辨建筑物这类小尺度地物的轮廓,对建筑物目标提取一直是遥感图像分割领域的难点。而基于人工智能的深度学习算法不断优化,其在图像识别领域运用广泛,利用深度学习图像分割方法实现建筑物的精确提取有了技术基础,在此基础上研究一种基于高分辨率遥感影像的深度学习方法,具有重要的理论与实际应用价值。为了实现精确的建筑物提取,具体研究内容如下:(1)分析高分辨率遥感影像中建筑物复杂多样以及小且密集的特征,考虑图像上下文语义特征,提出一种基于高分辨率遥感影像的由低到高的分割引导增强网络(A Low-to-High Guided Enhancement Network for Remote Sensing Building Extraction,LTHNet),利用不同通道之间的相互关系来构建从低到高的层次结构,融合低级特征生成空间细节的同时利用高层特征构建丰富的语义信息,实现建筑物的精确提取。(2)提出从低到高解码模块(Low-to-High Decoder Module,LTH),获取背景比较复杂和孤立的建筑物关键特征,实现相邻特征之间融合;提出背景探索模块(Background Exploration Module,BEM),对前景特征和背景特征引入更为充分的上下文信息,保留建筑物更多的空间特征细节,实现类内紧凑的特征表示。(3)使用U-Net、Deeplabv3+、HRNet、PSPNet、DSNet和Build Former六种网络进行两种建筑物数据集提取。为探究网络模型在不同区域的提取效果,本文选取江西省南昌市区域的高分二号遥感影像数据为原始数据,通过对原始数据进行预处理和人工目视解译,建立了南昌建筑物矢量数据集。同时引入国际上常用的具有复杂建筑物覆盖的马萨诸塞州建筑物数据集。将两种数据裁剪为512×512尺寸大小的图片,并按比例划分为训练集、测试集和验证集作为建筑物提取的数据源。将研究样本集进一步细分为主城区、乡村区和工业区三类区域作定性分析。另外为了验证每个模块的有效性,进行了消融比较。结果表明:(1)LTHNet有效捕获足够的全局信息,对主城区中形状不规则、多尺度建筑物提取效果好;对乡村区分布随机无规则的单个建筑物的关键信息能有效提取;有效消除工业区内的大尺度建筑内部粘连现象;误检、漏检问题较少,准确度较高。(2)能够有效恢复空间分辨率,LTHNet检测到的建筑边界明显,更接近真实的建筑物边界。(3)提出的LTHNet在回召率、Io U和F1分数指标中获得了最高的精度,分别达到了82.54%,72.82%和84.27%;在马萨诸塞州数据集和新建的南昌建筑数据集上的提取精度结果优于近年来高引用率和高精度的U-Net、Deeplabv3+、HRNet、PSPNet、DSNet和Build Former等六种方法。本文创新点归纳如下:(1)构建了南昌市高分二号建筑物数据集;对比分析国外开源的马萨诸塞州建筑物数据集和构建的南昌市建筑物数据集,发现国内外建筑物的特征差异。(2)提出了LTH解码器模块和BEM模块,实现特征图在分辨率逐渐降低时减少空间语义信息丢失,具有增强小目标识别、复杂建筑物提取和改善边界模糊的综合能力。(3)根据目前建筑物提取存在的问题,构建了基于高分辨率遥感影像的建筑物提取LTHNet模型。通过将粗略的建筑物轮廓细化为更精细的建筑物足迹预测图来改进建筑物提取问题,对形状不规则的建筑物、小尺度建筑物、大尺度建筑物提取的效果均较好,可以作为遥感影像提取建筑物的一种有效的分割方法。

基于卷积神经网络的高分辨率遥感影像建筑物提取方法研究

这是一篇关于高分辨率影像,深度学习,建筑物提取,卷积神经网络,语义分割的论文, 主要内容为高分辨率遥感影像建筑物提取在自然灾害应急与管理、国土资源利用与分析、智慧城市建设与规划等方面发挥着关键作用。随着对地观测技术的不断发展,从高分影像中自动、准确提取建筑物逐渐成为重要的研究课题之一。尽管高分辨率遥感影像提供了丰富的光谱信息,但各种建筑物之间的光谱差异与复杂的背景噪声对建筑物提取构成重大挑战。当前,建筑物提取方法包括基于传统和深度学习两种,传统方法需人工设计特征,耗时费力,深度学习因其强大特征表征能力成为遥感影像自动化解译领域的主流。但现有的基于深度学习算法分割结果仍存在建筑物内部空洞、边缘分割模糊等问题,本文对深度学习方法进行系统研究,通过改进特征提取网络,提高浅层与深层信息融合效率,进而优化网络的建筑物细节分割能力。论文的主要研究内容及成果如下:(1)针对建筑物提取中存在小尺度建筑物提取不完整、建筑物边界提取不准确等问题,将PSPNet特征提取网络的残差模块与Inception-v3嵌套使用,然后进行金字塔池化改善网络分割性能,提出非对称卷积金字塔残差网络(In＿PPM＿Res Net)。为验证In＿PPM＿Res Net的有效性和普适性,分别在WHU和AIRS建筑物数据集上进行实验,并将其与典型建筑物提取网络FCN-8s、UNet++、Seg Net、PSPNet进行对比。实验结果表明,在WHU数据集上,In＿PPM＿Res Net相较于其余网络,MIo U为最优值,达89.97%,其他评价指标也有一定程度提升,证明此模型的效率相对较高,在0.075m分辨率的AIRS数据集上,本文模型的MIo U、Precision、Recall、F1均为最优值,分别达88.51%、86.77%、88.95%和87.85%。另一方面,建筑物提取结果相比于其他网络,边界更准确,空洞少,具有一定实用性。(2)为进一步提升模型分割精度,加快模型效率,实现模型轻量化,在UNet基础上,将CBAM的空间注意力模块嵌入U-Net的编码阶段,将其与U-Net每个编码块的第二个卷积层级联,进而提出结合空间注意力模块U-Net网络。采用WHU和AIRS数据集验证FCN-8s、Seg Net、U-Net、结合空间注意力模块UNet网络性能,实验结果表明,本文提出的轻量化模型在WHU和AIRS上精度评价指标MIo U取得91.74%和90.40%的得分,与FCN-8s、Seg Net、U-Net相比,Precision、Recall、F1也有一定程度提升,本文模型建筑物提取结果更完整,边缘平直,误检率与漏检率低,证明模型的有效性。为增加该模型普适性,采用迁移学习方法辅助训练,获取具有抗干扰能力的收敛模型。从微观的定量分析和宏观的定性分析结果可知,在Inria数据集上,与基础网络U-Net相比,结合空间注意力模块U-Net网络的评价指标MIo U、Precision、Recall、F1、m AP均有提升,其次结合空间注意力模块U-Net网络的建筑物分割结果与实际更契合,毛边少,最后通过模型复杂度统计表的对比结果可知,在模型参数量增加的可接受范围,该模型具有更强的泛化能力。(3)针对基于深度学习算法输出的建筑物预测图不能直接应用的问题,开展数据后处理研究。采用Canny边缘检测算法提取建筑物轮廓,然后运用栅格图像矢量化技术与基于Arcpy的折弯提取算法输出建筑物斑块矢量。

基于孪生网络的遥感影像建筑物损毁评估方法研究

这是一篇关于建筑物提取,建筑物损毁评估,U-Net,孪生网络,注意力机制,连通域标记,加权投票的论文, 主要内容为快速、大范围且准确地从高分辨率遥感影像中提取建筑物并评估建筑物损毁程度对于灾后应急救援和灾区重建具有重要意义。伴随着遥感对地观测技术的飞速发展、计算机运算能力的提升和深度学习方法的出现,使得建筑物损毁精细化评估成为可能。因此,本文针对当前建筑物提取与损毁评估中存在的问题,结合深度学习数据处理的优势,围绕深度学习技术在高分辨率遥感影像建筑物损毁评估的应用进行研究,主要研究内容如下:(1)针对建筑物提取存在的内部空洞、人工地物误检和边缘缺失等问题,提出了基于双注意力残差U-Net(Dual-Attention Residual U-Net,DARU-Net)的建筑物提取方法。该方法以加深网络深度、优化低维特征为切入点。在U-Net的基础上,集成Res Net34的特征提取结构优化U-Net编码部分,加深网络深度的同时获取更丰富的图像语义特征信息;基于通道注意力和空间注意力构建双注意力模块,引导图像语义特征和空间特征的信息传递,强化建筑物的语义特征和空间位置;实现高分辨率遥感影像建筑物自动化提取。(2)针对建筑物提取与损毁评估之间存在信息差的问题,提出了基于孪生双注意力残差U-Net(Siamese Dual-Attention Residual U-Net,SDARU-Net)实例化的建筑物损毁评估方法。该方法以共享灾前、灾后影像特征和实现实例级别的建筑物损毁评估为切入点。基于权重共享的SDARU-Net,同时输入灾前、灾后影像,融合灾前、灾后影像特征,输出像素级别的建筑物提取与损毁评估结果;通过连通域标记算法和加权投票算法构建的损毁评估实例化模块,将像素级别的建筑物损毁评估结果转换为实例级别的建筑物损毁评估结果,实现建筑物损毁精细化评估,反映每个建筑物实例的损毁程度。(3)选取包含多种灾害类型的建筑物损毁评估x BD公开数据集作为实验数据集。开展了建筑物提取与建筑物损毁评估实验分析。建筑物提取实验结果表明,相较于U-Net,DARU-Net的1F值提升了9.96%,对于改善大尺度建筑物内部空洞、人工地物误检和建筑物边缘缺失的问题效果明显。建筑物损毁评估实验结果表明,相较于以U-Net作为分支网络的孪生网络,SDARU-Net实例化的1Foverall值提高了19.71%,对建筑物轻微损毁和重大损毁的评估准确度提高效果显著,同时解决了图像语义分割网络造成的建筑损毁评估语义不一致的问题。

基于深度学习的高分辨率遥感影像建筑物提取研究

这是一篇关于建筑物提取,深度学习,多尺度信息,上下文信息的论文, 主要内容为建筑物是在城市发展中不可或缺的关键因素,是三维建模、城市规划、数字化城市、土地资源管理等领域重点关注的对象。对于这些领域来说,建筑物信息提取的精确度和高效率具有重要的理论和实践意义。由于高分辨率遥感影像的信息冗余度高且地物特征复杂多样,如何设计出更好的建筑物自动提取算法成了极具挑战且广受关注的研究方向。深度学习方法在建筑物提取研究领域表现出了相当卓越的性能,然而现有的深度学习方法鉴于建筑物外观形状不规则且差异性较大的特性,难以提取出大规模分布的完整建筑物。同时,由于高空成像容易产生复杂的遮挡、阴影等问题,也极易导致在提取时丢失小型建筑物的细节信息。针对上述问题,本文从多尺度信息和全局上下文信息两方面出发,以提升建筑物提取精度为目的,对现有的网络模型进行了优化,并通过Massachusetts遥感图像和WHU图像数据这两个数据集开展实验,进行验证和分析。本文的主要研究内容和成果如下:(1)基于高分遥感影像多尺度信息提出了一种新的建筑物提取方法。首先,在U-Net网络的特征提取部分增加空间金字塔模块以获取不同尺度特征图,然后选择使用SENet模块,在通道维度上增加注意力机制,提高网络模型表示特征的能力,通过跳跃连接将特征信息传递给解码器。本文改进后的网络结构在WHU数据集上的准确率、F1-score以及Io U这三个指标,分别达到了98.61%,90.33%和95.48%,在Massachusetts数据集上,则是95.33%,72.05%,86.77%,均位于参与比较模型的第一位,验证了该方法的有效性,实现了遥感影像多尺度信息的充分融合和建筑物提取精度的提升。(2)提出了一种基于高分遥感影像上下文信息的建筑物提取方法。由于卷积神经网络通过反复的卷积和池化操作会失去大量的局部信息,本文基于此思路提出了一个新的建筑物提取网络,在U-Net网络中插入非局部模块引入全局信息提高模型抓取长距离依赖的能力,同时使用残差网络模块充当特征提取器,保证网络充分获取像素上下文信息。实验结果表明,该方法在WHU数据集上的准确率、F1-score以及Io U分别达到了98.61%,90.33%和95.48%,而在Massachusetts数据集上则有97.5%,67.35%,89.24%,相比于未经过改造的UNet网络,在分辨率高、标注明确的WHU数据集上也分别能有1.06%,1.44%,2.31%的精度提高,而在分辨率较低的Massachusetts数据集上,则是分别最少提高了3.7%,2.07%,3.63%,充分说明改进后的网络模型增强了高分辨率遥感影像上下文信息获取能力,提升了建筑物提取的精度。图[28]表[6]参[79]