基于遥感图像道路提取的全局指导多特征融合网络

作     者：宦海 盛宇 顾晨曦 HUAN Hai;SHENG Yu;GU Chenxi

作者机构：南京信息工程大学人工智能学院江苏南京210044 南京邮电大学集成电路科学与工程学院江苏南京210003 

出 版 物：《浙江大学学报（工学版）》 (Journal of Zhejiang University：Engineering Science)

年 卷 期：2024年第58卷第4期

页      码：696-707页

摘      要：在遥感图像中,建筑与道路的类间相似度高,且存在阴影和遮挡,使得现有深度学习语义分割网络在分割道路时误分割率高,为此提出全局指导多特征融合网络(GGMNet)用于提取遥感图像中的道路.将特征图分为若干个局部特征,再将全局上下文信息与局部特征相乘,强化各类别特征的提取,以降低网络对道路周边相似地物的误判率.采用融合多阶段特征的方法准确定位道路空间,降低将其余地物识别为道路的概率.设计自适应全局通道注意力模块,利用全局信息指导局部信息,丰富每个像素的上下文信息.在解码阶段,设计多特征融合模块,充分利用并融合骨干网络4个阶段的特征图中的位置信息与语义信息,发掘层与层之间的关联性以提升分割精度.使用CITY-OSM数据集、DeepGlobe道路提取数据集和CHN6-CUG数据集对网络进行训练和测试.测试结果表明,GGMNet具有优秀的道路分割性能,降低道路误分割率的能力比对比网络强.

主 题 词：遥感图像 深度学习 道路提取 注意力机制 上下文信息 

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

核心收录：

D　O　I：10.3785/j.issn.1008-973X.2024.04.005

馆 藏 号：203126996...