基于多尺度注意力的遥感影像建筑物提取研究

doi:10.11896/jsjkx.230200134

摘要

摘要：基于深度学习的遥感图像建筑物提取具有覆盖面广、计算效率高等特点，在城市建设、防灾等方面发挥着重要作用。大多数主流方法使用多尺度特征融合，使神经网络能够学习更丰富的语义信息。然而，由于多尺度特征的复杂性和其他地物的干扰，这种方法往往会导致目标丢失和噪声密集。为此，本文提出了一种结合注意力机制的特征解释模型MGA-ResNet50（MGAR）。该方法的核心是利用多人注意处理高层语义信息的层次加权，从而提取出具有较好表示效果的最优特征组合。然后使用门控结构将每个维度的特征图与对应编码器的低层语义信息融合，以补偿局部建筑细节的丢失。在马萨诸塞大楼和WHU大楼等公共数据集上的实验结果表明，与RAPNet、GAMNet和GSM等更先进的多尺度特征融合方法相比，该算法可以实现更高的F1和IoU。

关键词： 深度学习，建筑物提取，多尺度特性，多人关注，浇口机构

CLC编号：

TP391.4标准

何晓辉、周涛、李潘乐、常静、李佳棉。基于多尺度注意的遥感图像建筑物提取研究[J]。计算机科学，2024，51（5）：134-142。

工具书类

[1] 张毅，费X，王杰，等.基于高分辨率遥感图像的建筑物提取方法综述[J]。地理信息和空间信息技术，2020，43（4）：76-79。
[2] LONG J，SHELHAMER E，DARRELL T.语义分割的全卷积网络[J]。IEEE模式分析和机器智能汇刊，2015,39（4）：640-651。
[3] 张丙，安荣，马琳.改进的U-Net遥感影像建筑物变化检测[J]。计算机工程与应用，2021,57（3）：239-246。
[4] 何Z，丁H，AN B.从高分辨率遥感图像中提取建筑物的空腔卷积E-Unet算法[J]。大地测量学与地理信息科学杂志，2022,51（3）：457-467。
[5] 张C，葛毅，姜霞。基于稀疏约束SegNet的高分辨率遥感图像建筑物提取[J]。西安科技大学学报，2020,40（3）：441-448。
[6] WU L，HU X.基于多尺度多特征高空间分辨率遥感图像的建筑物自动检测[J]。国土资源遥感，2019,31（1）：71-78。
[7] 张毅，王旭，张泽，等.一种基于边界感知的遥感图像建筑物提取方法[J]。西安电子科技大学学报（自然科学版），2022,49（1）：236-244。
[8] 刘辉，张聪，葛勇，等.多尺度特征融合深度学习建筑物提取方法[J]。地理空间信息，2022,20（2）：97-100。
[9] 张毅，颜强，邓F.从高分辨率遥感图像中提取建筑物的多通道RSU网络方法[J]。大地测量学与地理信息科学杂志，2022,51（1）：135-144。
[10] 刘德，张华，程德，等.基于注意机制的提取方法的构建[J]。遥感信息，2021,36（4）：119-124。
[11] 张毅，成C，杨斯，等。基于双注意机制模型的遥感图像建筑物提取[J]。测绘科学，2022,47（4）：129-136174。
[12] 李H，李Z，张D。最优规模下面向对象的建筑提取[J]。遥感信息，2022,37（3）：72-76。
[13] 陈克，高X，严M，等。基于编解码器网络的航空图像像素级构建提取[J]。国家遥感公报，2020,24（9）：1134-1142。
[14] 何强，孟毅，李浩。多级码解码网络遥感影像构建分割[J]。计算机应用研究，2021,38（8）：2510-2514。
[15] BIANCHINI M，SCARSELLI F.关于神经网络分类器的复杂性：浅层和深层结构的比较[J]。IEEE神经网络和学习系统汇刊，2014,25（8）：1553-1565。
[16] RAGHU M，POOLE B，KLEINBERG J，等.深度神经网络的表达能力[C]//第34届国际机器学习会议论文集（第70卷）。悉尼：PMLR，2017:2847-2854。
[17] 何凯，张旭，REN S，等。图像识别中的深度残差学习[C]//IEEE计算机视觉与模式识别会议。拉斯维加斯：IEEE出版社，2016:770-778。
[18] VASWANI A，SHAZEER N，PARMAR N，et al.注意你所需要的一切[C]//第31届神经信息处理系统国际会议记录.2017:6000-6010。
[19] 林天勇，杜拉·P，GIRSHICK R，等。用于目标检测的特征金字塔网络[C]//2017 IEEE计算机视觉与模式识别会议（CVPR）。火奴鲁鲁：IEEE出版社，2017:2117-2125。
[20] 顾毅，颜凤.基于不同骨架UNet++网络的建筑物提取[J]。中国科学院学报，2022,39（4）：512-523。
[21]JI S，WEI S，LU M.从开放式航空和卫星图像数据集中提取多源建筑的全卷积网络[J]。IEEE地球科学与遥感汇刊，2018年，57（1）：574-586。
[22]田强，赵毅，李毅，等.基于精细注意金字塔网络的多尺度建筑物提取[J]。IEEE地球科学与遥感快报，2021,19-1-5。
[23]ZHENG Z，ZHANG X，XIAO P，et al.集成门和注意模块的高分辨率图像语义分割[J]。IEEE应用地球观测和遥感专题期刊，2021,14:4530-4546。
[24]徐磊，李毅，徐杰，等.用于建筑实例提取的门控空间存储和质心软件网络[J]。IEEE地球科学和遥感事务，2021,60:1-14。

相关文章15

[1]	鲍开南、张俊波、宋丽、李天瑞。ST-WaveMLP：用于交通流预测的时空全球软件网络[J] ●●●●。计算机科学，2024，51（5）：27-34。
[2]	张建良、李阳、朱青山、薛红玲、马俊伟、张丽霞、毕生。基于双域稀疏变压器的变电站设备故障报警算法[J] ●●●●。计算机科学，2024，51（5）：62-69。
[3]	何世阳、王朝辉、龚盛荣、钟山。基于交叉模式信息过滤的可视问答网络[J] ●●●●。计算机科学，2024，51（5）：85-91。
[4]	宋建峰、张文英、韩璐、胡国正、迈克奇光。黑白电影的多级智能色彩恢复算法[J] ●●●●。计算机科学，2024，51（5）：92-99。
[5]	白雪飞、沈武成、王文健。基于特征注意净化的显著目标检测[J] ●●●●。计算机科学，2024，51（5）：125-133。
[6]	徐学杰、王宝辉。基于文本和历史数据的多标签专利分类[J] ●●●●。计算机科学，2024，51（5）：172-178。
[7]	李自晨、易修文、陈顺、张俊波、李天瑞。基于深度多视网络的政府事件调度方法[J] ●●●●。计算机科学，2024，51（5）：216-222。
[8]	洪体静、刘登峰、刘毅。基于多尺度全卷积神经网络和GRU的雷达有源干扰识别[J] ●●●●。计算机科学，2024，51（5）：306-312。
[9]	孙静、王晓霞。基于云边缘协同子类提取的卷积神经网络模型压缩方法[J] ●●●●。计算机科学，2024，51（5）：313-320。
[10]	陈润欢、戴华、郑贵能、李辉、杨庚。基于差异补偿和短时采样对比损耗的城市电力负荷预测方法[J] ●●●●。计算机科学，2024，51（4）：158-164。
[11]	林斌伟、余志勇、黄芳婉、郭显伟。基于Transformer的街道停车位数据完善与预测[J] ●●●●。计算机科学，2024，51（4）：165-173。
[12]	徐浩、李凤润、卢璐。基于双流YOLOv4的金属表面缺陷检测方法[J] ●●●●。计算机科学，2024，51（4）：209-216。
[13]	宋浩、毛冠民、朱舟。基于GAANET的立体匹配算法[J] ●●●●。计算机科学，2024，51（4）：229-235。
[14]	薛金强、吴琴。结合卷积神经网络和小波变换的渐进式多级图像去噪算法多层感知器[J] ●●●●。计算机科学，2024，51（4）：243-253。
[15]	陈金银、李晓、金海波、陈若曦、郑海滨、李虎。CheatKD：基于中毒神经元同化的知识提取后门攻击方法[J] ●●●●。计算机科学，2024，51（3）：351-359。

韵律学

已查看

全文

摘要

引用

共享

讨论

基于多尺度注意的遥感图像建筑物提取研究

PDF（个人电脑）

摘要

引用这篇文章

分享这篇文章

工具书类

相关文章15

韵律学

评论

推荐0