融合多尺度与边缘特征的道路提取网络

利用遥感影像提取道路对城市发展有重要意义。但是由于道路尺度多变、易被遮挡等因素,导致出现道路漏检、边缘不完整等问题。针对以上问题,本文提出了一种融合多尺度与边缘细节特征的道路提取网络(MeD-Net)。MeD-Net包括道路分割与边缘提取两部分。道路分割网络使用多尺度深层特征处理模块(MDFP),提取顾及全局与局部信息的多尺度特征,在卷积后使用组归一化优化模型训练;边缘提取网络利用细节引导融合算法提升深层边缘特征的细节信息,并利用注意力机制进行特征融合。为验证算法性能,本文利用Massachusetts道路数据集和青岛地区GF-2号道路数据集进行试验。试验表明,MeD-Net在两个数据集上交并比和F_(1)值均取得最高精度,能够提取不同尺度道路和更完整地保持道路边缘。

空间可分离注意力的跨尺度编码Transformer遥感图像道路提取方法

遥感图像的道路分割任务是遥感应用领域的一个研究热点,一直受到广泛的关注。由于遥感图像天然具备背景复杂、目标密集等特性,全局语义信息的构建对于准确提取遥感图像中道路是至关重要的。因此,基于Transformer模型进行优化,提出了基于空间可分离注意力的跨尺度令牌嵌入Transformer遥感道路提取模型Cross-RoadFormer。具体而言,针对图像中道路尺度不统一的问题,设计了跨尺度编码层,将不同尺度的特征编码作为一个令牌嵌入整体,作为Transformer的输入,解决了Transformer跨尺度交互的问题;此外,提出了一种空间可分离注意力,其中,局部分组注意力获取细粒度、短距离信息,全局采样注意力捕获长距离、全局上下文信息,在保证道路提取准确度的前提下,降低了模型的计算量。在Massachusetts数据集和DeepGlobe数据集上的实验表明,提出的Cross-RoadFormer都实现了更高的IoU(intersection over union),分别为68.40%和58.04%,展现了该方法的优越性。

GCN引导模型视点的光学遥感道路提取网络

在光学遥感图像中,道路易受遮挡物、铺装材料以及周围环境等多重因素的影响,导致其特征模糊不清。然而,现有道路提取方法即使增强其特征感知能力,仍在特征模糊区域存在大量误判。为解决上述问题,本文提出基于GCN引导模型视点的道路提取网络(RGGVNet)。RGGVNet采用编解码结构,并设计基于GCN的视点引导模块(GVPG)在编解码器的连接处反复引导模型视点,从而增强对特征模糊区域的关注。GVPG利用GCN信息传播过程具有平均特征权重的特性,将特征图中不同区域道路显著性水平作为拉普拉斯矩阵,参与到GCN信息传播从而实现引导模型视点。同时,提出密集引导视点策略(DGVS),采用密集连接的方式将编码器、GVPG和解码器相互连接,确保有效引导模型视点的同时缓解优化困难。在解码阶段设计多分辨率特征融合(MRFF)模块,最小化不同尺度道路特征在特征融合和上采样过程中的信息偏移和损失。在两个公开遥感道路数据集中,本文方法IoU分别达到65.84%和69.36%,F1-score分别达到79.40%和81.90%。从定量和定性两方面实验结果可以看出,本文所提方法性能优于其他主流方法。

基于L-DeepLabv3+的轻量化光学遥感图像道路提取

针对DeepLabv3+在进行光学遥感图像道路提取任务时,存在模型参数量大、细节提取效果差等问题,提出一种改进DeepLabv3+的轻量化道路提取模型L-DeepLabv3+。首先通过将主干网络替换为MobileNetv2来减少模型参数量;其次,在编码层中设计一个改进的空洞空间卷积池化金字塔模块。该模块通过嵌入一个通道空间并联注意力模块和YOLOF模块来增强模型特征表达能力,并且将普通卷积替换为深度可分离卷积进一步减少模型参数量;最后组合采用Dice_loss和Focal_loss作为损失函数来解决正负样本不均衡问题。实验结果表明:L-DeepLabv3+在DeepGlobe Road数据集上进行道路提取的交并比达到68.40%,像素准确率达到82.67%,且模型参数量仅为5.63 MB,FPS达到72.3,与其他模型相比具有明显提升,实现了模型精度与轻量化之间更好的平衡。

结合融合策略的光学影像道路提取技术

成像系统获取数据时一般无法兼顾空间和光谱信息,但当前的光学影像道路提取往往直接以融合后影像为数据源,聚焦网络结构、监督形式等方面的研究,未对融合效果在道路提取中的作用进行深入探索与分析。因此,本文提出了一种结合融合策略的光学影像道路提取技术。首先,以端到端的“编码—解码”网络为基本结构,并结合输入数据的类别、数量等因素进行针对性改进与设计,为后续的试验验证提供训练和测试框架;然后,立足空间信息和光谱信息的注入偏好,选取4种典型的影像融合方法,并以此为技术支持对全色影像和多光谱影像进行融合;最后,在试验部分借助2个公开数据进行了集验证,得出融合策略在道路提取中可有效提升量化评价指标的结论,同时对典型的道路重难点区域提取具有积极的正向促进作用。

融合双域特征均衡的遥感图像道路提取

当前遥感图像道路提取模型仍在很大程度上受道路植被遮挡所影响,导致网络模型对道路信息误判。为此,基于双域特征均衡提出了一种不受遮挡物影响的道路提取方法,高效地实现植被遮挡下的道路提取。具体而言,提出了一种新的道路提取卷积神经网络,该网络由去除遮挡子网络和道路提取子网络组成。在去除遮挡子网络中嵌入一个分层卷积模块用于提取输入图像的深层结构特征和浅层纹理特征,以及双域均衡模块用于特征还原,以此去除目标道路上的遮挡物。道路提取子网络用于对去除遮挡后的道路结构进行精细的分割,得到准确性更高的道路提取结果。通过在四川西南农村地区的遥感数据集上进行大量实验,结果显示基于双域特征均衡的方法相较于其他遥感图像道路提取方法在像素精确度(Overall Accuracy, OA)和交并比(Intersection over Union, IoU)指标上达到了最高,分别是98.16%和85.38%。

基于八方向条状池化的遥感影像道路提取方法

针对在卫星遥感图像中道路提取存在云雾植被遮挡、分辨率低等客观条件导致提取精度低,利用道路具有带状、连通性等特征,提出了一种基于八方向条状池化的遥感影像道路提取方法(DLinkNet-Road)。首先,结合道路的多方向带状特征和条状池化提取细长目标的优势,构建了八方向条状池化道路提取模块,有效建立了道路像素长距离多方向依赖关系。其次,考虑到遮挡等导致道路断裂以及卷积池化操作导致道路轮廓细节信息丢失的问题,设计了道路特征加权补偿模块,并构建了加权特征融合结构,有效融合了多个尺度特征的道路信息。在DeepGlobe和Massachusetts两个道路数据集实验,本文方法的交并比(intersection over union,IoU)分别达到67.42%和66.38%,相较于基线模型提高了3.89%和3.17%。实验结果表明,所提模型能改善道路提取中的断线现象,保证道路提取结果的完整性。

融合Transformer和CNN的U型神经网络遥感影像道路提取算法

U型网络作为一种经典的编码–解码结构网络,不只在医学影像领域内发挥出色,在图像分割领域也有广泛的影响。以U型网络为基础其它衍生网络层出不穷。U型网络最经典的思想是编码和解码,再加上编解码之间的跳跃连接。由于道路遥感图像和医学影像有众多相似的地方,如今U型网络又被用于从遥感图像中提取道路。U型网络使用跳跃连接的方式将下采样低维特征拼接到上采样的高维特征中,以保留更多的空间位置信息和语义信息。因此U型网络更能处理一些特征信息明显的图像数据。但浅层的UNet无法准确提取道路丰富多维的细节信息,在高分辨率卫星遥感图像上无法奏效。所以本文提出一种融合蛇形动态卷积和Swin-Transformer的U型网络用于提高道路提取任务的分割精确度。

基于改进U-Net模型的遥感影像道路提取方法研究

针对高分辨率遥感影像背景信息复杂,道路提取难度大,自动化程度低等问题,论文提出了一种改进的U-Net的道路提取方法。首先,编码器使用VGG16网络结构替代原始U-Net编码器结构;然后,在每个编码器和解码器块后加入特征压缩激活模块(SENet)增强网络特征学习能力;最后,使用Dice损失函数和二分类交叉熵损失函数复合的损失函数进行训练,减轻了道路提取任务中的样本不平衡问题。在Massachusetts Road数据集上的结果表明,改进后的算法对道路提取结果得到了有效的提升。所提方法在测试集上的精确度、召回率、F1-score和mIoU评价指标分别达到82.5%、77.8%、80.0%及82.1%,在测试影像中对错综交叉的道路具有更好的识别效果。

基于卷积神经网络的光学遥感影像道路提取方法研究进展

随着光学遥感影像空间分辨率的提升和获取渠道的丰富,利用光学遥感影像实现地物智能解译已成为高效的技术路径。由于卷积神经网络(convolutional neural networks,CNN)强大的特征提取能力以及道路信息在多个领域的应用需求,基于CNN的道路提取方法成为了当前的研究热点。鉴于此,本文根据近年来的相关研究文献,对基于CNN的道路提取方法从基于形状特征的改进、基于连通性的改进、基于多尺度特征的改进和基于提取策略的改进四个方面进行归纳总结,然后描述典型道路遮挡案例,并利用经典CNN从样本标签的局限性层面对当前的技术难点进行分析与验证,最后从多源数据协同、样本库建设、弱监督模型和域适应学习四个方面对遥感影像道路提取的发展趋势进行评估和展望。

改进的UNet3+网络高分辨率遥感影像道路提取

为解决UNet3+网络随深度加深出现大量融合冗余操作以至于模型训练时间过长而导致在道路提取中运用较少的问题,对UNet3+网络进行改进,通过删减UNet3+的网络层级使用Bottleneck模块替换原有网络中的卷积层,保留网络特征融合能力的同时降低网络复杂度,并引入混合注意力机制优化模型,构建了一个新的网络模型。将改进方法与几种典型的道路提取模型做对比。实验结果表明:(1)所提方法相较于Unet3+网络在、Recall、IOU、ACC四个指标上分别提升了4.72%、2.46%、4.84%、2.01%,均优于对比算法;(2)对比几个经典的特征提取模型,改进的模型具有更好的识别效果,在道路提取的精度、连接性、完整性等方面均表现出优越性。

基于边缘引导和多尺度感知的遥感图像道路提取

为了解决遥感道路提取中边缘细节特征利用不充分,以及复杂背景遮挡区域的道路难以实现准确分割等问题,提出一种基于边缘引导和多尺度感知的遥感道路提取模型(Edge-guidance and Multi-scale perception U-Net,EMUNet)。以U-Net为基础,增加遥感图像的Canny边缘检测结果作为输入,并通过设计结合注意力的边缘引导融合模块对各层编码器进行特征引导,以此充分利用边缘信息提高最终的道路提取质量;其次,针对图像中存在的背景遮挡问题,通过构建多尺度并行空洞卷积模块增强网络的多尺度感知能力,从而捕获更多的上下文信息,对一些受到背景遮挡的区域实现准确提取。在Massachusetts道路数据集上进行实验验证,与U-Net相比,EMUNet能实现对细小道路和受遮挡区域更准确的分割,并且召回率、F1分数和交并比均优于其他对比算法,能够实现更为完整和准确的道路信息提取。

融合空洞空间金字塔池化和注意力的轻量化遥感影像道路提取

针对高分辨率遥感影像中道路形状结构错综复杂,出现窄小型道路提取错误或漏分的问题,提出一种基于空洞空间金字塔池化和注意力机制的轻量化遥感影像道路提取方法。首先,在原始高分辨率网络(HRNet)基础上,通过引入空洞空间金字塔池化模块,实现多尺度道路信息融合;再引入挤压激励通道注意力机制,增强网络特征表征质量;最后使用深度可分离卷积方法改进网络残差模块实现模型轻量化,以降低模型计算复杂度。在公开数据集上进行了模型性能测试,实验结果表明,文章所提算法的准确率、精确率、召回率、F1分数和平均交并比,相比原始HRNet分别提升了5.35%、2.15%、4.1%、3.15%和14.34%,且减少了36.1%的参数数量;相比其他网络,该算法突出了细小道路的特征,道路预测结果连续性、完整性好,并且模型小易于部署在实时检测设备中,有效改善了道路提取任务中错分和缺失的情况,是一种适应性更强、分割精度更高、更轻量化的多尺度道路提取算法。

基于稠密块改进LinkNet的高分遥感图像道路提取

针对LinkNet网络模型在进行道路图像分割任务时,特征信息易丢失以及缺乏对目标特征的关注度问题,提出了一种基于改进LinkNet残差网络的高分遥感图像道路提取方法。将原本LinkNet模型中编码区的残差块(Res Block)替换为稠密块(Dense Block),密集连接的方式减少特征信息在传递过程中的损失,并在每个稠密块之后构建卷积注意力单元来提高模型对目标特征的学习能力,最后用空洞空间金字塔池化模块将编码区与解码区进行连接,扩大感受野的同时还能接受多尺度目标特征信息。实验表明,该方法在DeepGlobe数据集上的准确率、平均交并比和F1-score分为82.16%、83.21%和81.65%,均优于同类网络,通过对提取的路网结果对比,该算法对于树木遮蔽处以及建筑物阴影下的路网提取在完整性和准确性上都具有明显提升。

基于改进DeepLabv3+的遥感影像道路提取算法

道路提取可以帮助人们更好地理解城市环境,是城市交通和城市规划等方面的重要部分,随着深度学习与计算机视觉的发展,利用基于深度学习的语义分割算法从遥感影像中提取道路的技术趋于成熟。针对现有的深度学习道路提取算法存在的提取速度慢和容易受背景环境因素干扰而产生漏分割、不连续等问题,提出了一种基于ECANet注意力机制和级联空洞空间金字塔池化模块的轻量化算法CE-DeepLabv3+。首先,将主干特征提取网络更换为轻量级的MobileNetv2,减少参数量,提高模型的执行速度;其次,通过增加空洞空间金字塔池化模块的卷积层进一步扩大感受野,再级联不同特征层来增强语义信息的复用性,从而加强对细节特征的提取能力;再次,加入ECANet注意力机制,抑制背景环境中的干扰因素,聚焦道路信息;最后,采用改进的损失函数进行训练,消除了道路与背景样本不均衡对模型性能产生的影响。实验结果表明,改进算法的性能优良,与原始DeepLabv3+算法相比,在分割效率、分割精度上有较大的提升。

基于多尺度特征融合的轻量化道路提取模型

针对当前用于遥感图像道路提取领域的语义模型存在计算复杂度较高、道路提取效果不佳的问题,提出基于多尺度特征融合的轻量化道路提取模型(MFL-DeepLab V3+).为了减少模型参数量并降低模型的计算复杂度,骨干网络选用轻量化Mobilenet V2网络代替原模型的Xception网络,在空洞空间金字塔池化(ASPP)模块中引入深度可分离卷积.为了增强模型的道路提取能力,优化对细小路段的提取效果,在解码区提出联合注意力的多尺度特征融合(MFFA).基于Massachusetts roads数据集的各项实验表明,MFL-DeepLab V3+模型的参数规模显著降低,较原模型参数量压缩了88.67%,道路提取图像完整,边缘清晰,精确率、召回率和F1分数分别达到88.45%、86.41%和87.42%,与其他模型相比取得了更好的提取效果.

顾及邻域局部特征的车载点云城市道路提取

本文针对区域生长算法导致城市道路提取过程中点云的过分割问题,结合点云空间邻域特征信息,提出了一种用于提取地面点云的改进区域生长算法。首先进行数据预处理,去除远离城市环境的离群点;其次建立二维空间虚拟格网,合理利用点云的空间局部性、减少运算规模;然后采用平均曲率约束和拟合平面夹角约束聚类提取出城市道路点云;最后利用两段城市道路点云进行试验,与现有的区域生长算法进行对比分析。试验结果表明,本文方法能够很好地兼顾提取完整度与准确度,在复杂城市道路点云提取和城市道路建模中具有实用性。

基于多尺度残差网络的卫星图像道路提取

针对遥感卫星影像中细小道路信息提取困难的问题,提出一种新的基于多尺度特征提取的残差分割算法。该方法使用ResNet34中作为网络的编码器,保证了网络深度和神经网络的健壮性;使用ASPP多尺度的特征提取结构,实现对语义特征进一步提取,提升了网络对小目标的捕捉能力;采用Unet的解码器,保证语义分割任务在输入和输出分辨率上的完整性。该方法在CVPR DeepGlobe 2018道路提取挑战赛的数据集上进行验证,平均交并比、dice相似系数、召回率分别达到69.76%、81.60%、80.25%,均超过该赛事冠军DLinkNet34,提升了道路提取的效果。

基于深度学习的多尺度无人机遥感图像道路提取

针对高分辨率遥感影像和目标场景下道路影像数据集获取难度大、成本高等问题,本文探究网络模型在不同尺度下执行提取任务的最佳影像分辨率,并评价各模型在道路提取上的适用性及可靠性,为道路识别工程提供方法借鉴和案例参考。引入图像分割领域3个经典网络模型,使用公开数据集进行模型训练,以无人机航拍的安徽省滁州市影像为试验数据,进行不同尺度下的道路提取,找出各模型在新场景下的最佳分辨率和模型适用性,并进行可靠性评价。试验结果表明,D-LinkNet网络模型在不同尺度的道路提取任务中适用性较强;DeepLabV3+网络模型的可靠性较差;U-Net、D-LinkNet网络模型的道路提取输入影像最佳分辨率分别为1.0、0.5 m。

基于多任务学习的复杂城市遥感图像道路提取

提出一种新的遥感图像道路提取框架,旨在利用从道路边缘检测中获得的知识来提高道路提取的准确性。研究中引入了一个融合多尺度信息和视觉注意力机制的多尺度视觉注意力模块,并构建了一个级联特征融合模块以集成网络在不同尺度上的预测结果。在此基础上,构建了一个包含编码器和解码器的多尺度视觉注意网络(MSVANet)。同时,提出一个多任务学习框架,该框架结合了MSVANet,并采用粒子群优化算法对多任务学习框架的两个学习率超参数的自动选取进行优化。RNBD数据集的训练和测试结果表明,所提方法在各种分割精度指标和泛化能力方面均优于其他道路提取方法。