基于特征压缩激活Unet网络的建筑物提取

• 作者: 刘浩 夏列钢 徐楠 杨海平 胡晓东 骆剑承 黄波
• 来源期刊: 地球信息科学学报
• 关键词: 高空间分辨率遥感影像 Massachusetts建筑物数据集 建筑物提取 深度学习 卷积神经网络 SE-Unet 损失函数
• 年，卷（期）: 2019,（11）
• 所属期刊栏目: 遥感科学与应用技术
• 页码范围: 1779-1789
• 页数: 11页
• 字数: 7336字
• 语种: 中文

摘要

自动提取城市建筑物对城市规划、防灾避险等行业应用具有重要意义,当前利用高空间分辨率遥感影像进行建筑物提取的卷积神经网络在网络结构和损失函数上都存在提升的空间.本研究提出一种卷积神经网络SE-Unet,以U-Net网络结构为基础,在编码器内使用特征压缩激活模块增加网络特征学习能力,在解码器中复用编码器中相应尺度的特征实现空间信息的恢复;并使用dice和交叉熵函数复合的损失函数进行训练,减轻了建筑物提取任务中的样本不平衡问题.实验采用了Mas-sachusetts建筑物数据集,和SegNet、LinkNet、U-Net等模型进行对比,实验中SE-Unet在准确度、召回率、F1分数和总体精度4项精度指标中表现最优,分别达到0.8704、0.8496、0.8599、0.9472,在测试影像中对大小各异和形状不规则的建筑物具有更好的识别效果.