基于特征压缩激活Unet网络的建筑物提取

论文摘要

自动提取城市建筑物对城市规划、防灾避险等行业应用具有重要意义,当前利用高空间分辨率遥感影像进行建筑物提取的卷积神经网络在网络结构和损失函数上都存在提升的空间。本研究提出一种卷积神经网络SE-Unet,以U-Net网络结构为基础,在编码器内使用特征压缩激活模块增加网络特征学习能力,在解码器中复用编码器中相应尺度的特征实现空间信息的恢复;并使用dice和交叉熵函数复合的损失函数进行训练,减轻了建筑物提取任务中的样本不平衡问题。实验采用了Massachusetts建筑物数据集,和SegNet、LinkNet、U-Net等模型进行对比,实验中SE-Unet在准确度、召回率、F1分数和总体精度4项精度指标中表现最优,分别达到0.8704、0.8496、0.8599、0.9472,在测试影像中对大小各异和形状不规则的建筑物具有更好的识别效果。

论文目录

• 1 引言
• 2 研究方法
•   2.1 实验流程
•   2.2 特征压缩激活模块
•   2.3 特征压缩激活Unet（SE-Unet）
•   2.4 dice损失函数
•   2.5 评价指标选取
• 3 实验数据及处理
•   3.1 数据集介绍
•   3.2 影像数据增强
•   3.3 网络实现设置
• 4 实验结果及分析
• 5 结论与讨论

文章来源

类型: 期刊论文

作者: 刘浩,骆剑承,黄波,杨海平,胡晓东,徐楠,夏列钢

关键词: 高空间分辨率遥感影像,建筑物数据集,建筑物提取,深度学习,卷积神经网络,损失函数

来源: 地球信息科学学报 2019年11期

年度: 2019

分类: 基础科学,工程科技Ⅱ辑,信息科技

专业: 工业通用技术及设备,自动化技术

单位: 中国科学院遥感与数字地球研究所遥感科学国家重点实验室,中国科学院大学,香港中文大学地理与资源管理学系,浙江工业大学计算机科学与技术学院

基金: 国家自然科学基金项目(41631179),浙江省自然科学基金(LQ19D010006),国家重点研发计划项目(2017Y FB0503600)~~

分类号: TP751;TP183

页码: 1779-1789

总页数: 11

文件大小: 34728K

下载量: 523