结合多路径的高分辨率遥感影像建筑物提取SER-UNet算法

针对深层卷积较难兼顾全局特征与局部特征从而导致提取建筑物边缘不准确和微小建筑物丢失的问题，以注意力机制和跳跃连接为基础提出SER-UNet算法。SER-UNet算法在编码器阶段耦合SE-ResNet和最大池化层，在解码器阶段关联SE-ResNet与反卷积层，通过跳跃连接将编码器提取的浅层特征和解码器提取的深层特征进行融合后输出特征图。验证SER-UNet算法的有效性，在MAP-Net网络并行多路径特征提取阶段使用SER-UNet算法替换原网络中的特征提取结构，分别在WHU数据集和Inria数据集上进行评估，IoU与精度分别达91.46%、82.61%和95.67%、92.75%，对比UNet、...

Full description

Saved in:
Bibliographic Details
Published inCe hui xue bao Vol. 52; no. 5; pp. 808 - 817
Main Authors 胡明洪, 李佳田
Format Journal Article
LanguageChinese
English
Published Beijing Surveying and Mapping Press 20.05.2023
昆明理工大学国土资源工程学院,云南昆明650093
Subjects
Algorithms
Buildings
Coders
Datasets
Feature extraction
Feature maps
Image resolution
Remote sensing
高分辨率遥感影像
注意力机制
跳跃连接
建筑物提取
并行多路径
Online AccessGet full text

Cover

More Information
Summary:针对深层卷积较难兼顾全局特征与局部特征从而导致提取建筑物边缘不准确和微小建筑物丢失的问题，以注意力机制和跳跃连接为基础提出SER-UNet算法。SER-UNet算法在编码器阶段耦合SE-ResNet和最大池化层，在解码器阶段关联SE-ResNet与反卷积层，通过跳跃连接将编码器提取的浅层特征和解码器提取的深层特征进行融合后输出特征图。验证SER-UNet算法的有效性，在MAP-Net网络并行多路径特征提取阶段使用SER-UNet算法替换原网络中的特征提取结构，分别在WHU数据集和Inria数据集上进行评估，IoU与精度分别达91.46%、82.61%和95.67%、92.75%，对比UNet、PSPNet、ResNet101、MAP-Net网络，IoU分别提高0.49%、0.14%、1.89%、1.57%，精度分别提高0.14%、1.06%、2.42%、1.09%。分析SER-UNet算法的泛化能力，将级联SER-UNet的MAP-Net网络在AerialImage数据集上进行提取验证，IoU与精度分别达85.32%和94.13%。结果表明，结合SER-UNet算法的MAP-Net并行多路径网络表现出较好的提取精度与泛化能力。此外，SER-UNet算法可以有效地嵌入PSPNet、ResNet101、HRNetv2等网络中，提升网络特征表示能力。
ISSN:1001-1595
1001-1595
DOI:10.11947/j.AGCS.2023.20210691