典型文献
面向高分影像建筑物提取的多层次特征融合网络
文献摘要：
建筑物规模及其分布是衡量一个地区经济社会发展状况的关键指标,因此研究基于遥感影像的建筑物提取具有重要意义.现有神经网络方法在建筑物提取的完整度、边缘精确度等方面仍存在不足,由此提出一种基于高分遥感影像的多层次特征融合网络(multi-level feature fusion network,MFFNet).首先,利用边缘检测算子提升网络对建筑物边界的识别能力,同时借助多路径卷积融合模块多个维度提取建筑物特征,并引入大感受野卷积模块解决感受野大小对特征提取的限制问题;然后,对提取的特征进行融合,利用卷积注意力模块进行压缩,经金字塔池化进一步挖掘全局特征,从而实现建筑物的高精度提取.并与当前主流的UNet、PSPNet(pyramid scene parsing network)、多路径特征融合网络(multi attending path neural network,MAPNet)和 MDNNet(multiscale-feature fusion deep neural networks with dilated convolution)方法进行对比,使用亚米级的武汉大学航空影像数据集、卫星数据集Ⅱ(东亚)与Inria航空影像数据集作为实验数据进行测试,结果发现,所提方法提取出的建筑物更为完整,边界更加精确.
文献关键词：
高分影像;建筑物提取;深度学习;多尺度特征;遥感
中图分类号：
作者姓名：
李星华;白学辰;李正军;左芝勇
作者机构：
武汉大学遥感信息工程学院,湖北 武汉,430079;中交第二公路勘察设计研究院有限公司,湖北 武汉,430056;西南技术物理研究所,四川 成都,610041
文献出处：
引用格式：
[1]李星华;白学辰;李正军;左芝勇-.面向高分影像建筑物提取的多层次特征融合网络)[J].武汉大学学报（信息科学版）,2022(08):1236-1244
A类：
MFFNet,多路径特征融合,MAPNet,MDNNet
B类：
高分影像,建筑物提取,多层次特征融合,特征融合网络,关键指标,有神,神经网络方法,完整度,高分遥感影像,level,feature,fusion,边缘检测,识别能力,感受野,卷积模块,卷积注意力模块,金字塔池化,全局特征,UNet,PSPNet,pyramid,scene,parsing,attending,path,neural,multiscale,deep,networks,dilated,convolution,亚米级,武汉大学,航空影像,影像数据,卫星数据,东亚,Inria,多尺度特征
AB值：
0.34227
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
