典型文献
遥感影像建筑物提取多尺度特征深度学习网络
文献摘要：
语义分割网络被广泛应用在高分辨率遥感影像建筑物提取领域.但是语义分割网络中的连续下采样会损失特征中的细节信息,导致提取结果边缘模糊,不同深度特征的不充分利用导致传统网络难以识别尺度差异大的建筑物.针对以上问题,文章基于双线性插值上采样和多尺度特征组合提出一种多尺度建筑物提取网络(Multi-scale building extraction network,Msb-Net),该网络包括编码器、解码器以及多尺度特征组合三部分.首先,编码器基于双线性插值上采样丰富图像的细节信息,再通过特征编码提取深层抽象特征;其次,解码器恢复特征空间分辨率,获得深度不同的解码特征;最后,基于多尺度特征组合结构对不同深度的解码特征进行组合,获得最佳的检测结果.文章在马萨诸塞州数据集和武汉大学数据集上进行验证,结果表明,Msb-Net具有更高的识别精度,在两个数据集上交并比指标分别提高了 1.71％和1.88％.通过结果对比可以得出结论:相比于传统语义分割网络,Msb-Net可以通过多感受野特征组合的方法更加准确地识别遥感影像中不同尺度的建筑物.
文献关键词：
深度学习;建筑物提取;语义分割;特征组合;遥感应用
中图分类号：
作者姓名：
赵元昊;赵莹莹;刘东升;张爱竹;孙根云
作者机构：
中国石油大学(华东)海洋与空间信息学院,青岛266580;长沙市规划勘测设计研究院,长沙410007;航天宏图信息技术股份有限公司,北京100195;青岛海洋国家实验室海洋矿产资源评价与探测技术功能实验室,青岛266237
文献出处：
引用格式：
[1]赵元昊;赵莹莹;刘东升;张爱竹;孙根云-.遥感影像建筑物提取多尺度特征深度学习网络)[J].航天返回与遥感,2022(04):25-35
A类：
Msb
B类：
建筑物提取,多尺度特征,深度学习网络,语义分割网络,高分辨率遥感影像,下采样,细节信息,不同深度,深度特征,尺度差异,双线性插值,上采样,特征组合,Multi,scale,building,extraction,network,Net,编码器,解码器,三部分,特征编码,特征空间,空间分辨率,组合结构,获得最佳,马萨诸塞州,武汉大学,识别精度,上交,交并比,结果对比,多感受野,不同尺度,遥感应用
AB值：
0.272765
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。
