空间信息感知语义分割模型的高分辨率遥感影像道路提取

作     者：吴强强 王帅 王彪 吴艳兰 WU Qiangqiang;WANG Shuai;WANG Biao;WU Yanlan

作者机构：安徽大学资源与环境工程学院合肥230601 武汉大学资源与环境科学学院武汉430079 安徽省地理信息智能技术工程研究中心合肥230601 

基　　金：国家自然科学基金(编号:41971311) 安徽省科技重大专项(编号:18030801111) 

出 版 物：《遥感学报》 (NATIONAL REMOTE SENSING BULLETIN)

年 卷 期：2022年第26卷第9期

页      码：1872-1885页

摘      要：道路信息自动化提取已经成为遥感领域热门的研究方向,而基于深度学习的遥感影像道路信息提取方法已经取得了许多成果。但由于受到网络中卷积和池化等操作的影响,基于深度学习的道路提取方法存在着空间特征和地物细节信息丢失等问题,造成许多误提现象。针对此问题,本文设计了一种改进的道路提取语义分割网络模型,该网络以改进的ResNet网络为主体,并引入坐标卷积和全局信息增强模块,用于增强空间信息和全局上下文信息的感知能力,突出道路边缘特征进而确保道路分类的精确性。本文方法在公开道路数据集和高分数据集上获得了显著的提取效果,与其它方法相比取得了明显提高;并且,在一定程度上减少了树木、建筑阴影等自然场景因素遮挡的影响,可以完整准确地提取出道路;此外,模型对多尺度道路也可以实现有效地提取。

主 题 词：深度学习 遥感影像 道路提取 坐标卷积 全局信息增强模块 

学科分类：0810[工学-土木类] 08[工学] 081002[081002] 

核心收录：

D　O　I：10.11834/jrs.20210021

馆 藏 号：203114575...