首页|改进D-LinkNet的高分辨率遥感影像建筑物提取方法

改进D-LinkNet的高分辨率遥感影像建筑物提取方法

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
为了提升高分辨率遥感影像建筑物提取的精度及效率,以D-LinkNet网络架构为基础,融合注意力机制构建基于SE-LinkNet的高分辨率遥感影像建筑物提取网络:①利用深度卷积来替代最大池化层以减少连续下采样引起的特征信息丢失;②采用融合通道注意力机制和深度卷积的编码器学习建筑物特征以更好的关注建筑物特征通道;③对解码器上采样结果进行特征强化获取建筑物掩膜.在武汉建筑物和马萨诸塞州建筑物数据集上的实验结果表明,改进后的网络预测结果和精度均有提升,在武汉数据集上精确率和F1分数分别达到98.81％和98.65％,在马萨诸塞州数据集召回率和F1分数分别达到94.94％和95.99％.
Improved D-LinkNet building extraction method for high resolution remote sensing images
In order to improve the accuracy and efficiency of building extraction from high-resolution remote sensing images,this paper uses the D-LinkNet network architecture as the basis and integrates the attention mechanism to build a high-resolution remote sensing image building extraction network called SE-LinkNet.First,deep convolution is used to replace the maximum pooling layer to reduce the loss of feature information caused by continuous down sampling.Then,an encoder that intergrating channel attention mechanism and deep convolution is used to learn building features for better focus on building feature channels.Finally,the decoded features of up sampling results are enhanced to obtain building masks.Experimental results on the Wuhan Buildings and Massachusetts Buildings data sets show that the improved network prediction results and accuracy have been improved.On the Wuhan data set,the accuracy and F1 score reached 98.81％and 98.65％respectively.In Massachusetts,the recall rate and F1 score of the data set reached 94.94％and 95.99％respectively.

remote sensing imagesbuilding extractionattention mechanismdeep learning

余美、屈子平、刘波、叶子君、李程鹏

展开 >

东华理工大学自然资源部环鄱阳湖区域矿山环境监测与治理重点实验室,南昌 330013

自然资源部南方丘陵区自然资源监测监管重点实验室,长沙 410118

东华理工大学测绘与空间信息工程学院,南昌 330013

东华理工大学江西省数字国土重点实验室,南昌 330013

展开 >

遥感影像 建筑物提取 注意力机制 深度学习

国家自然科学基金地区项目江西省自然科学基金资助项目自然资源部南方丘陵区自然资源监测监管重点实验室开放基金资助项目自然资源部环鄱阳湖区域矿山环境监测与治理重点实验室开放基金资助项目江西省教育厅科学技术研究项目东华理工大学江西省数字国土重点实验室开放研究基金资助项目东华理大学博士启动基金科研项目东华理工大学研究生创新基金项目

4216106420232ACB204032NRMSSHR-2022-Y10MEMI-2021-2022-23GJJ2200744DLLJ202105DHBK2019189DHYC-202321

2024

10.16251/j.cnki.1009-2307.2024.05.008

测绘科学
中国测绘科学研究院

测绘科学

CSTPCD北大核心
影响因子：0.774
ISSN：1009-2307
年,卷(期)：2024.49(5)