从高空间分辨率图像(HSRI)中提取建筑物信息在遥感应用领域具有重要意义.然而,由于遥感影像中的建筑物尺度变化大、背景复杂和外观变化大等因素,从HSRI中自动提取建筑物仍然是一项具有挑战性的任务.特别是从影像中同时提取小型建筑物群和具有精确边界的大型建筑物时,难度更大.为解决这些问题,本文提出了一种端到端的编码器-解码器神经网络模型,用于从HSRI中自动提取建筑物.所设计的网络称为MAEU-CNN(Multiscale Feature Enhanced U-shaped CNN with Attention Block and Edge Constraint).首先,在设计的网络编码部分加入多尺度特征融合(MFF)模块,使网络能够更好地聚集多个尺度特征.然后,在编码器和解码器部分之间添加了多尺度特征增强模块(MFEF),以获得不同尺寸的感受野,用于获取更多的多尺度上下文信息.在跳跃连接部分引入双重注意机制,自适应地选择具有代表性的特征图用于提取建筑物.最后,为了进一步解决MAEU-CNN中由于池化及卷积操作导致的分割结果边界模糊的问题,引入多任务学习机制,将建筑物的边界几何信息融入网络中以优化提取的建筑物边界,最终获得精确边界的建筑物信息.MAEU-CNN在ISPRS Vaihingen语义标记数据集和WHU航空影像数据集2种不同尺度建筑物数据集上进行了试验分析,在ISPRS Vaihingen语义标记数据集上,MAEU-CNN在精度、F1分数和IoU指标中获得了最高精度,分别达到了 93.4％、93.62％和88.01％;在WHU航空影像数据集上,召回率、F1分数和IoU指标中也获得了最高精度,分别达到了 95.45％、95.58％和91.54％.结果表明,本文所提出的MAEU-CNN从遥感图像中提取建筑物信息精度较高,并且对于不同尺度具有较强的鲁棒性.

建筑物提取;深度学习;注意力机制;多任务学习;多尺度特征增强;感受野;边界约束;高分辨率遥感影像

张华;郑祥成;郑南山;史文中

中国矿业大学环境与测绘学院,徐州22116;香港理工大学土地测量及地理资讯学系,香港999077

地球信息科学学报

[1]张华;郑祥成;郑南山;史文中-.基于MAEU-CNN的高分辨率遥感影像建筑物提取)[J].地球信息科学学报,2022(06):1189-1203

MAEU,HSRI,MFEF

高分辨率遥感影像,建筑物提取,高空间分辨率,遥感应用,尺度变化,外观变化,自动提取,同时提取,建筑物群,大型建筑物,端到端,编码器,解码器,Multiscale,Feature,Enhanced,shaped,Attention,Block,Edge,Constraint,网络编码,多尺度特征融合,MFF,在编,多尺度特征增强,特征增强模块,不同尺寸,感受野,多尺度上下文,上下文信息,跳跃连接,注意机制,特征图,池化,卷积操作,边界模糊,多任务学习,学习机制,几何信息,入网,ISPRS,Vaihingen,记数,WHU,航空影像,影像数据,不同尺度,试验分析,IoU,召回率,遥感图像,信息精度,注意力机制,边界约束

0.325447