针对全卷积神经网络模型在进行建筑物提取时易产生过度分割以及内部空洞的问题,提出基于多重多尺度融合注意力网络(MMFA-Net)的高分辨率遥感影像建筑物提取方法.该方法以U-Net为主体架构,设计2个模块:多重高效通道注意力(MECA)和多尺度特征融合注意力(MFA).MECA设计在模型跳跃连接中,通过权重配比强化有效特征信息,避免注意力向无效特征的过渡分配;采用多重特征提取,减少有效特征的损失.MFA被嵌入模型底部,结合并行连续中小尺度空洞卷积与通道注意力,获得不同的空间特征与光谱维度特征,缓解空洞卷积造成的大型建筑物像素缺失问题.MMFA-Net通过融合MECA和MFA,提高了建筑物提取结果的完整度和精确率.将模型在WHU、Massachusetts和自绘建筑物数据集上进行验证,在定量评价方面优于其他5种对比方法,F1分数和IoU分别达到93.33％、87.50％;85.38％、74.49％和88.46％、79.31％.

深度学习;高分辨遥感影像;建筑物提取;多尺度特征融合;高效通道注意力模块;U-Net

长江大学地球科学学院,湖北武汉 430100;中国科学院空天信息创新研究院,北京 100094;海南省地球观测重点实验室,海南三亚 572029;湖南科技大学测绘遥感信息工程湖南省重点实验室,湖南湘潭411201;北京市测绘设计研究院城市空间信息工程北京市重点实验室,北京 100045

[1]杨栋杰;高贤君;冉树浩;张广斌;王萍;杨元维-.基于多重多尺度融合注意力网络的建筑物提取)[J].浙江大学学报（工学版）,2022(10):1924-1934

MMFA,MECA

多尺度融合,注意力网络,建筑物提取,全卷积神经网络,卷积神经网络模型,过度分割,Net,高分辨率遥感影像,多尺度特征融合,跳跃连接,重配,有效特征,特征信息,嵌入模型,中小尺度,空洞卷积,空间特征,维度特征,解空,大型建筑物,物像,像素,完整度,精确率,WHU,Massachusetts,定量评价,比方,IoU,高分辨遥感影像,高效通道注意力模块

0.280253