西安建筑科技大学
人工智能与机器人研究所
![74ab6b35e626f4dc4c74ab4a4c163a66.png](https://img-blog.csdnimg.cn/img_convert/74ab6b35e626f4dc4c74ab4a4c163a66.png)
![07f780aa02283b1fa03a273dd3150b69.png](https://img-blog.csdnimg.cn/img_convert/07f780aa02283b1fa03a273dd3150b69.png)
![99523b1eecbbb971ac4aa759dd6b725f.png](https://img-blog.csdnimg.cn/img_convert/99523b1eecbbb971ac4aa759dd6b725f.png)
![274d052fcdf538802bea38202e1b7649.png](https://img-blog.csdnimg.cn/img_convert/274d052fcdf538802bea38202e1b7649.png)
![920c70810d9587074f173dd0431f6909.png](https://img-blog.csdnimg.cn/img_convert/920c70810d9587074f173dd0431f6909.png)
关键词:遥感图像,建筑物分割,残差网络,空洞卷积,多尺度特征融合
文章链接:
https://doi.org/10.37188/OPE.20202807.1588
![5b264e4bb01beaaac33d7c3e963882ca.png](https://img-blog.csdnimg.cn/img_convert/5b264e4bb01beaaac33d7c3e963882ca.png)
2020年7月,目前中国历史最悠久、在国内外发行量较大、影响面相对广泛的现代应用光学与微纳米技术和精密工程交叉学科的EI检索学术期刊《光学 精密工程》发表了一篇我所科研团队题为“多尺度特征融合空洞卷积ResNet遥感图像建筑物分割”的研究论
文。
本研究得到了国家自然科学基金资助项目(No.51678470,No.61803293);陕西省教育厅专项科研项目资助(No.18JK0477, No.2017JM6106);陕西省自然科学基础研究计划资助项目(No.2020JM-472,No.2020JM-473, No.2019JQ-760);西安建筑科技大学基础研究基金资助项目(No.JC1703,No.JC1706)。
![98a5c685091e68d7099de20796bd2a0c.png](https://img-blog.csdnimg.cn/img_convert/98a5c685091e68d7099de20796bd2a0c.png)
建筑物作为城市区域的重要特征,是占主体地位的地物目标,在遥感图像上,建筑物分割在重要目标的识别及定位、国防安全和掌握建筑物实时位置等方面都有着重要研究意义和应用价值。由于不同时相遥感图像受角度、光照、季节等因素的影响,以及建筑物周围背景,如道路、树木及其它地物阴影等的干扰,使得遥感图像建筑物的分割成为高分辨率遥感图像分割中最具挑战性的任务之一。
![98a5c685091e68d7099de20796bd2a0c.png](https://img-blog.csdnimg.cn/img_convert/98a5c685091e68d7099de20796bd2a0c.png)
本研究提出了一种基于多尺度特征融合的空洞卷积
ResNet
(Multiscale-feature fusion Dilated Convolution ResNet,MFDC-ResNet)模型。提出模型选用ResNet模型作为基础网络,引入空洞卷积方法提取更大范围的建筑物特征,然后利用四邻域加权特征算子增强空洞卷积中心点对特征的提取能力,最终将不同尺度的多个遥感图像建筑物特征融合来提升及分割精度。
本研究模型结构
首先
,为了获取遥感图像建筑物更大范围的特征信息,在深度残差网络中引入空洞卷积增大特征提取的感受野,以捕捉更丰富的多尺度细节特征;
其次
,为了增强空洞卷积中心点对图像局部区域特征的表达能力,利用3×3卷积核提取遥感图像的中心点区域特征,引入更多的中心点空间先验信息;
最后
,利用空间金字塔池化模型对不同尺度空洞卷积特征进行融合,获取不同尺度的遥感图像建筑物上下文信息。
![e08924aef4887aafdce66453d5a09229.png](https://img-blog.csdnimg.cn/img_convert/e08924aef4887aafdce66453d5a09229.png)
不同方法分割结果对比图
不同模型的分割结果对比如上图所示,其中
(a)
列为分辨率512*512的遥感图像;
(b)
列为建筑物标记真实值图像;
(c)
列为VGG模型分割结果;
(d)
列为ResNet模型分割结果;
(e)
列为ResNetCRF模型分割结果;
(f)
列为MFDC-ResNet模型分割结果。在WHU遥感图像数据集上的实验表明,平均交并比mIoU达到0.820,召回率Recall达到0.882。
![5b264e4bb01beaaac33d7c3e963882ca.png](https://img-blog.csdnimg.cn/img_convert/5b264e4bb01beaaac33d7c3e963882ca.png)
本研究提出的算法不仅提高了分割精度,而且有效克服了道路、树木等因素的干扰,最终得到了较清晰的建筑物边界。
![d8f38c8321c4e1aac65d41620ac9ab3b.png](https://img-blog.csdnimg.cn/img_convert/d8f38c8321c4e1aac65d41620ac9ab3b.png)
END
图文来源 | 欧阳朴衍
编辑 | 王菲
审核 | 孟月波
雁塔校区 地址:西安市碑林区雁塔路中段13号
草堂校区 地址:西安市草堂寺景区草寺东路
E-Mail:rgznyjqr@xauat.edu
欢迎关注我们的网站和微信公众号,获取更多资讯!
研究所网站:http://xkxy.xauat.edu.cn/rgzn/
![ec425bb80cfb288d961c1e0714ba158e.png](https://img-blog.csdnimg.cn/img_convert/ec425bb80cfb288d961c1e0714ba158e.png)