查看更多>>摘要:针对建筑物提取中存在微小建筑物提取不完整、建筑物边界提取不准确等问题,以ResNet为基础,将残差模块与Inception-V3模块嵌套,然后进行金字塔池化来改善网络分割性能,并将改进的神经网络模型称为非对称卷积金字塔残差网络(In_PPM_ResNet).该模型兼具三者的优势:残差模块能解决网络退化问题;Inception-V3模块中使用非对称卷积,减少参数量,节约运算资源,多路径级联增加网络宽度;金字塔池化模块获取不同尺度信息,扮演加强特征提取角色.为验证In_PPM_ResNet的有效性和适用性,分别在WHU和AIRS建筑物数据集上进行实验,并将其与典型建筑物提取网络FCN-8S、UNet++、SegNet进行对比.实验结果表明:在WHU数据集上,In_PPM_ResNet相较于其它网络,IoU为最优值,达89.97%,其他评价指标也有一定程度提升,模型参数量对比网络中排名第3,参数量相对较小,每轮次运行时间与其他网络相差不大,证明该模型的效率相对较高;在0.075 m分辨率的AIRS数据集上,交并比、召回率、F1分数均为最优值,分别达88.52%、88.95%和87.85%.另一方面,建筑物提取结果相比于其他网络,边界更准确,空洞少,有一定的应用潜力.