精准高效地从高分辨率遥感影像中提取建筑物信息对国土规划和地图制图意义重大，近年来基于卷积神经网络进行建筑物信息提取已经取得了很大的进展，然而在处理高分辨率遥感影像时仍存在影像的高级语义特征利用不够充分，难以获得细节丰富高精度分割影像的问题。文章针对以上问题提出了一种用于建筑物自动提取的深度学习网络结构空洞空间与通道感知网络(Atrous Space and Channel Perception Network，ASCP-Net）。该模型将空洞空间金子塔池化（Atrous Spatial Pyramid Pooling, ASPP）和空间与通道注意力 （Spatial and Channel Attention, SCA）模块融入到编码器-解码器结构中，通过ASPP模块来捕获和聚合多尺度上下文信息，采用SCA模块选择性增强特定位置和通道中更有用的信息，并将高低层特征信息输入解码网络完成建筑物信息的高效提取。在WHU建筑数据集（WHU Building Dataset）上进行实验，结果表明：文章提出的方法总体精度和F1评分分别达到了97.4%和94.6%，相比其他模型能够获得更清晰的建筑物边界，尤其对图像边缘不完整建筑的提取效果较好，有效提升了建筑物提取的精度和完整性。
高分辨率遥感影像 双注意力机制 空洞卷积 建筑物提取 high-resolution remote sensing images dual attention mechanism atrous convolution building extraction
昆明理工大学国土资源工程学院，云南 昆明 650093
高分辨率遥感影像建筑物提取是遥感影像解译的一个重要研究方向。针对传统提取方法中小型建筑物容易丢失和大型建筑物边界模糊问题，以Unet为基础，提出一种基于多模块建筑物提取网络（MM-Unet）。首先在网络的编码和解码部分引入多尺度特征组合模块（MFCM）以获取并补充更多的空间信息。之后在解码器末端加入多尺度特征增强模块（MFEF）以增强多尺度特征的提取。在跳跃连接完成后引入双重注意力模块（DAM），使网络能够自适应地学习通道和空间位置的特征重要性，减小不同深度特征的差异。为了验证所提网络的有效性，分别在空间分辨率为1 m、0.3 m、0.09 m的Massachusetts、WHU以及Vaihingen建筑物数据集上进行实验，MM-Unet的交并比分别达到73.42%、90.11%和85.21%，相比于Unet分别提高2.21个百分点、1.25个百分点和1.55个百分点。结果表明，MM-Unet对于不同尺度的建筑物表现出较高的提取精度和较强的泛化能力。
遥感影像 建筑物提取 多尺度 注意力机制 特征组合 激光与光电子学进展
2024, 61(4): 0428004
1 天津城建大学 计算机与信息工程学院，天津300384
2 天津城建大学 地质与测绘学院，天津300384
针对高分辨率遥感影像中建筑物形状多样、大小不一引起建筑物提取精度低及传统分割模型存在参数量大等问题，提出一种基于编码-解码的轻型多尺度差异网络LMD-Net（Lightweight Multi-scale Difference Network）。首先，为了避免单一的特征处理单元堆叠使得模型性能弱化而产生无效参数，通过融合编解码结构的功能差异性，设计出一种轻型差异模型优化性能。其次，引入一种多尺度膨胀感知模块（Multi-Scale Dilation Perception，MSDP）来增强网络捕捉多尺度目标特征的能力。最后，通过双融合机制有效聚合深层跳跃连接和深层解码器两组的特征信息，从而实现增强解码器的特征恢复能力。为验证轻型多尺度差异网络LMD-Net的有效性和适用性，以开源WHU building dataset数据集作为数据源，对LMD-Net网络与常用语义分割网络及近年相关文献研究成果进行了精度、效率方面的评估实验。结果表明：LMD-Net网络在效率与精度两方面均表现出明显优势，不仅很大程度上减少模型的参数量和计算量，而且交并比、准确率分别提高了3.23%，2.57%。表明在基于高分辨率遥感影像建筑物提取领域中，该模型所表现的优势具有良好的城市空间信息库价值。
高分辨率遥感影像 多尺度 建筑物提取 编码-解码 轻型 high resolution remote sensing image multi-scale building extraction coding-decoding light weight 光学 精密工程
2023, 31(22): 3371
1 石家庄铁道大学 信息科学与技术学院，河北石家庄050043
2 河北省电磁环境效应与信息处理重点实验室，河北石家庄050043
遥感图像建筑物高效提取在城市规划、灾害救援、**侦察等领域发挥着重要作用。基于深度学习的建筑物提取方法虽然具有很高的精准度，但通常是由复杂的卷积运算和极大的网络模型实现的，提取速度低，难以满足现实需求。为此，设计了一种遥感图像建筑物快速提取方法。在STTNet模型的特征提取网络中引入多尺度卷积，在同一卷积层内提取多尺度特征，进一步提高模型的特征提取能力。改进空间稀疏特征提取器结构，在带有空间注意力权值的特征图中应用通道注意力，有效学习通道注意力权值，进而解决使用骨干网络输出特征图学习时通道注意力权值浮动的问题。为降低模型参数量，加快模型的运算速度，将STTNet模型由并联结构改为串联结构。INRIA建筑物数据集上的实验表明，本文方法在保证精度和IoU的前提下速度比STTNet提升了18.3%，明显优于主流方法。
遥感图像 建筑物提取 多尺度卷积 稀疏特征提取器 remote sensing image building extraction multi-scale convolution sparse feature extractor 光学 精密工程
2023, 31(11): 1700
1 沈阳工业大学信息科学与工程学院，辽宁 沈阳 110870
2 沈阳工业大学软件学院，辽宁 沈阳 110870
提取遥感影像中的建筑物对智慧城市建设有着重要意义。针对传统方法提取背景复杂遥感影像时出现的精度低等问题，提出一种基于U-Net的遥感影像建筑物提取方法（MA-Unet）。该方法主要由编码器和解码器组成。在编码器中，引入卷积块注意力模块，其中通道注意力模块用来筛选更重要的特征，抑制无效特征，空间注意力模块用来筛选更深层次的语义特征，引入空洞空间金字塔池化模块提取不同尺度的特征。在解码器中，为了融合不同尺度大小的物体特征，将解码器中的特征图上采样后进行串联，这种信息聚合在某种程度上解决了不同尺度物体检测困难的问题。实验结果表明：MA-Unet方法在Massachusetts建筑物数据集上的准确率、精度、交并比（IoU）分别优于U-Net网络1.7个百分点、2.1个百分点、1.6个百分点，在WHU建筑物数据集上的准确率、精度、IoU分别优于U-Net网络1.1个百分点、1.4个百分点、2.3个百分点，是一种更为有效且具有一定实际应用价值的目标提取方法。
遥感影像 语义分割 建筑物提取 注意力机制 多尺度 激光与光电子学进展
2023, 60(4): 0401002
1 北京建筑大学北京未来城市设计高精尖创新中心，北京 100044
2 中国建筑土木建设有限公司，北京 100071
在土木桥梁施工场景中，点云数据包含大量植被、地面和桥梁建筑点云。现有滤波算法对桥梁建筑的提取完整度仍存在一些问题，因此提出一种基于组合滤波的桥梁点云提取算法。首先，该算法根据植被点云分布发散这一特征运用分散度法对植被进行粗滤除；其次，基于半径滤波与充分利用颜色与高程特征思想进行半径滤波算法的改进，对剩余植被点云进行精细滤除；最后，利用法向滤波模型对地面点云进行滤除。实验结果表明，所提算法提取桥梁点云的完整率为99.3%，误差为0.73%，对比现有滤波算法，可更完整地提取桥梁点云，准确率更高。
成像系统 桥梁建筑提取 分散度 半径滤波 法向滤波 激光与光电子学进展
2023, 60(2): 0211001
河海大学地球科学与工程学院，江苏 南京 211100
针对ResUNet网络从遥感影像中提取小型和不规则建筑物时存在分割精度低和边界粗糙的问题，提出一种多尺度特征增强的残差U形网络ResUNet+。该网络以ResUNet网络结构为基础，在编码器内添加特征压缩激活模块以提升网络对有效特征的学习能力，在编码网络的最后一层使用空洞空间金字塔池化模块来获取不同尺度的建筑物上下文信息。在两个广泛公开使用的WHU航空图像数据集和INRIA建筑数据集上进行实验，并将其与SE-UNet、DeepLabv3+、DenseASPP和ResUNet语义分割网络进行对比。实验结果表明，ResUNet+在精确率、召回率和F1分数3项精度指标中均表现最优，对测试影像中大小各异和形状不规则的建筑物具有更精确的分割结果。
遥感 建筑物提取 残差网络 空洞卷积 多尺度特征增强 激光与光电子学进展
2022, 59(8): 0828007
1 河南理工大学测绘与国土信息工程学院, 河南 焦作 454000
2 中国人民解放军战略支援部队信息工程大学, 河南 郑州 450001
为了提高网络对高空间分辨率遥感影像多尺度建筑物的提取效果,在编码-解码网络的基础上提出了一种高效的尺度自适应全卷积网络。首先,构建多输入多输出结构,实现多尺度特征融合和跨尺度特征聚合。然后,用残差金字塔池化模块学习深层自适应多尺度特征。最后,用基于残差密集连接的聚合特征精化模块进一步处理初始聚合特征,利用不同尺度特征图的像素依赖关系提升分类精度。在差异较大的WHU航空数据集和Massachusetts数据集上的实验结果表明,相比其他方法,本方法对建筑物的提取效果较好,且训练时间和内存占用情况适中,具有较高的实用价值。
遥感 图像处理 建筑物提取 全卷积网络 残差金字塔池化 聚合特征精化 激光与光电子学进展
2021, 58(24): 2428006
1 火箭军工程大学 作战保障学院, 陕西 西安 710025
2 火箭军工程大学 导弹工程学院, 陕西 西安 710025
针对遥感影像中建筑物目标与背景环境区分度低而造成的提取效果较差的问题, 本文提出了融合高阶信息的编解码网络方法以改善建筑物自动提取的精度。首先, 针对遥感影像建筑提取任务, 使用深度编解码网络完成对建筑物目标的低阶语义特征提取; 其次, 使用多项式核完成对深度网络中间特征图的高阶描述, 以提升网络对于模糊特征的辨识能力; 最后, 将低阶特征与高阶特征级联后, 送入编解码网络的末端, 得到对建筑物的分割结果。在Massachusetts Buildings数据集上进行试验, 其召回率、准确率和F1-score指标分别达到了85.1%, 77.5%和80.9%, 综合指标F1-score相比于基础深度编解码网络提升约4%。本文所提方法改进了编解码器网络对于遥感影像建筑物自动提取任务的表现性能, 能够更加精确地提取与背景区分度较低的建筑物目标, 具有良好的实用价值。
遥感 建筑物提取 高阶信息 编解码器网络 语义分割 remote sensing building extraction high-order statistics encoder-decoder network semantic segmentation 光学 精密工程
2019, 27(11): 2474
