多尺度特征融合的建筑物及损毁语义分割

发布时间：2021-11-01 09:57

　　遥感影像分割作为影像信息提取过程中的关键步骤,近年来基于深度学习的影像语义分割模型已经成为影像分割的主要研究导向。文中提出一种基于深度学习的多尺度特征融合语义分割网络,用来分割遥感影像中建筑物和损毁建筑物,该网络充分利用不同尺度特征图的信息,获得更精确的分割边缘。同时探究了不同样本数量和不同网络深度对于训练得到模型分割性能的影响,对深度学习网络应用于遥感影像参数选择提供了一定经验指导。 

【文章来源】：测绘工程. 2020,29(04)CSCD

【文章页数】：6 页

【部分图文】：

解码器结构

IoU定义

在深度学习中,通常训练数据集的数量越大,数据类型越完备,最终训练出来的模型会具有更好的性能,高分遥感影像中建筑物损毁样本的获取比较困难,本文在真实高分遥感影像建筑物类地物样本的基础上进行了损毁建筑样本的模拟,原始遥感影像见图3,分别使用2 000、5 000、10 000、30 000、60 000个样本作为训练数据集,最终的测试结果如图4—图9所示。图4 真值标记图像

【参考文献】：
期刊论文
[1]基于DCNN特征的建筑物震害损毁区域检测[J]. 周阳,张云生,陈斯飏,邹峥嵘,朱耀晨,赵芮雪.  国土资源遥感. 2019(02)
[2]多尺度全卷积神经网络建筑物提取[J]. 崔卫红,熊宝玉,张丽瑶.  测绘学报. 2019(05)
[3]利用高分辨率光学遥感图像检测震害损毁建筑物[J]. 叶昕,秦其明,王俊,郑小坡,王建华.  武汉大学学报(信息科学版). 2019(01)
[4]融合特征和决策的卷积-反卷积图像分割模型[J]. 冯晨霄,汪西莉.  激光与光电子学进展. 2019(01)
[5]融合多特征的高分辨率遥感影像震害损毁建筑物检测[J]. 刘莹,李强.  测绘与空间地理信息. 2018(06)
[6]利用词袋模型检测建筑物顶面损毁区域[J]. 涂继辉,眭海刚,冯文卿,孙开敏.  武汉大学学报(信息科学版). 2018(05)
[7]利用灰度共生矩阵纹理特征识别空心村损毁建筑物的方法[J]. 谢嘉丽,李永树,李何超,吴玺.  测绘通报. 2017(12)
[8]多尺度多特征融合的高分辨率遥感影像分类[J]. 陈苏婷,王慧.  量子电子学报. 2016(04)



本文编号：3469964