基于深度学习的高分辨率遥感影像建筑物分割研究.pdfVIP

摘要

建筑物是城市生态中的核心组成部分，而建筑物信息的获取也是智慧城市构

建中至关重要的工作。遥感影像已经成为大范围制图、城市规划和应急管理等应

用的重要数据来源。尤其是高分辨率遥感影像使得在像素尺度上对地物进行分类

更为便利，建筑物提取也是其中受益最大的任务之一。然而，受限于遥感影像中

的复杂环境和建筑物本身多样的尺度、材料、形态等，建筑物提取工作仍面临诸

多困难。由于卷积操作的局部感受野限制了卷积神经网络在高分辨率遥感影像中

完整捕获大型建筑物语义信息的能力。同时，现存金字塔特征工程难以处理遥感

影像中的复杂背景，限制了模型精准捕获建筑物区域的能力。除此之外，卷积和

池化操作使得现存方法难以准确分割出建筑物的真实边界，难以维持建筑物规则

或复杂的形态特征。针对上述问题，本文提出了相应的解决方案，具体研究如下:

(1)针对目前大多数基于卷积神经网络的语义分割模型倾向于提取和聚合局

部子特征导致建筑物完整性受损的问题，优化并设计一种基于编码器-解码器结构

的CNN-Transformer混合模型，提高了捕获大型建筑物语义信息的能力，并显著

提升了建筑物语义分割的完整性。提出的方法在两个数据集上的交并比IoU和F1

系数分别达到了72.23%和83.97%、90.62%和94.17%，均表现为最佳。

(2)针对目前大多数建筑物实例分割方法中采用的金字塔特征工程直接进行

信息交互的问题，容易引入无用和干扰信息，从而影响建筑物区域的准确定位，

并进一步影响后续的检测和分割过程。本文提出一种基于门控注意力机制的特征

金字塔网络，用于控制信息交互，以提升建筑物实例分割的整体效果。提出的方

法在两个数据集上的平均精度AP得分分别达到了0.477和0.569，均表现为最佳。

(3)针对现存大多数建筑物实例分割方法卷积和池化操作容易导致建筑物边

界变形的问题，本文提出了一个方向场优化模块来学习建筑物的实例级方向场，

方向场优化模块部署在掩模头上，从特征图中预测实例级方向场，并为每个像素

分配运动方向，并对建筑物掩膜进行校正，提升建筑物实例分割的边界质量。

关键词：深度学习；高分辨率遥感；建筑物提取；语义分割；实例分割

Abstract

Buildingsareacorecomponentinurbanecology,andtheacquisitionofbuilding

informationisacrucialtaskintheconstructionofsmartcities.Remotesensingimagery

hasbecomeanimportantdatasourceforapplicationssuchaslarge-scalemapping,urban

planningandemergencymanagement.Inparticular,high-resolutionremotesensing

imagesmakeitmoreconvenienttocategorizefeaturesatthepixelscale,andbuilding

extractionisoneofthetasksthatbenefitthemost.However,duetothecomplex

environmentinremotesensingimagesandthediversescales,materials,and

morphologiesofbuildings,buildingextractionstillfacesmanydifficulties.Thelocal

receptivefieldsofconvolutionaloperationslimittheabilityofconvolutionalneural

networkstocompletelycapturethesemanticinformationofbuildingsinhigh-resolution

remotes