摘要：针对高分辨率遥感影像道路提取结果不完整、边界质量差的问题,提出基于EDRNet模型的遥感影像道路提取方法。利用残差网络构建道路提取模型EDR1,保留道路的细节信息并加速网络收敛。通过融合多尺度、多层次的道路特征信息,设计道路提取结果优化模型EDR2。在此基础上,利用混合损失函数,提高道路提取的完整度。实验结果表明,EDRNet道路提取方法在马萨诸塞州道路数据集上的召回率、精确率和F1-score指标分别达到了84.4%、81.7%及83.0%,其结果完整且准确。

摘要：针对遥感影像中由于道路信息错综复杂,导致道路提取不完整、精确度低等问题,提出一种新型遥感影像道路提取方法。融合多尺度特征改善道路提取的整体效果,基于深度残差网络设计混合空洞卷积,并通过定义卷积核各值的间距增大特征提取感受野,从而丰富多尺度特征融合模块中的浅层道路语义信息。在编码端提取特征后,利用权重分布的方法匹配感受野尺度,使用不同层级间的特征对全局先验信息进行表征,提高多尺度融合特征获取浅层道路语义信息的准确性,并将改进的多孔空间金字塔池化模块融入到深度残差网络中,挖掘并深度聚合道路浅层次和深层次的语义信息。在两种高分辨率遥感数据集Cheng_Data_Roads和Zimbabwe_Data_Roads上的实验结果表明,所提方法的F1值和MIoU值分别为91.16%和83.63%,准确率、召回率等评价指标均明显优于U-net、ResUnet、D-Linknet等语义分割方法。

摘要：针对单一深度学习模型无法有效地提取局部-全局空间光谱特征的问题,该文提出了一种基于像素-超像素的异构卷积神经网络(HCNN)特征级联的分类方法,有效地提高了土地覆盖分类性能。具体而言,基于注意力机制的像素级特征提取模块和基于空间域的超像素级特征提取模块分别提取局部和全局空间-光谱特征,并将两种网络的输出特征级联融合作为最终图像表达,进行土地覆盖类别预测。并设计消融实验验证了特征提取分支设计本身的合理性和融合的必要性。本研究基于公开高分影像数据集和河南土地利用/土地覆盖(HN-LULC)数据集进行了验证,结果证明该混合卷积神经网络级联融合分类方法能够显著地提升高分辨率遥感影像中土地覆盖分类的效果,相比现有的分类模型,分类结果最佳。

摘要：高分辨率遥感图像建筑物目标检测在国土规划、地理监测、智慧城市等领域有着广泛的应用价值,但是由于遥感图像背景复杂,建筑物目标的部分细节特征与背景区分度较低,在进行检测任务时,容易出现建筑物轮廓失真、缺失等问题。针对这一问题,设计了自适应加权边缘特征融合网络(VAF-Net)。该方法针对遥感图像建筑物检测任务,对经典编解码器网络U-Net进行拓展,通过融合RGB特征图和边缘特征图,弥补了基础网络学习中的细节特征缺失;同时,借助网络的学习自动更新融合权重,实现自适应加权融合,充分利用不同特征的互补信息。该方法在Massachusetts Buildings数据集上进行了实验,其准确率、召回率和F1-score分别达到了82.1%,82.5%和82.3%,综合指标F1-score相比于基础网络提升了约6%。VAF-Net有效提高了编解码器网络对于高分影像建筑物目标检测任务的表现性能,具有良好的实用价值。