改进U-Net模型的无人机影像在建道路分类

针对无人机影像背景复杂,城市在建道路分类易被相似目标、建设设施等信息干扰的问题,提出了基于改进U-Net模型的无人机影像在建道路提取模型。为获取更深层次的边界细节信息,采用Res2net结构分阶替换原有U-Net网络的卷积层,提高网络下采样深度;增加CBAM双注意力机制模块引于各分块特征信息之后,对空间和通道进行重新校准,强调道路特征,校正模型参数;引入改进的Dense ASPP模块,与前层次的细节信息拼接,增强道路区域上下文信息的获取能力。结果表明,所提出的改进U-Net网络训练的提取模型在精确率、召回率、F1分值、平均交并比等评价指标上,均优于传统的U-Net、DeeplabV3+、HRnet等网络模型,可有效提取建设道路各阶段信息,针对在建道路项目的施工进度监测提供方法支持。

黄河流域东乡族自治县生态脆弱性评价

东乡族自治县是黄河流域典型的生态脆弱民族地区,为研究其生态环境脆弱程度,基于RS和GIS技术提取遥感生态距离指数、归一化植被指标、土地利用等8个指标,采用综合指数法构建生态脆弱性评价模型,定量分析东乡族自治县2009年和2020年的生态脆弱状况。结果表明:研究区2009年、2020年遥感生态距离指数均值分别为0.3677、0.5057,综合生态脆弱性指数分别为3.2118、2.4263,生态脆弱性整体处于中等偏高水平;研究期极度脆弱和重度脆弱类型面积减小,生态环境有极大改善;2009—2020年研究区大部分区域高生态脆弱性等级向低生态脆弱性等级转变,受自然和人为因素的共同影响,生态脆弱性指数表现出较强的空间自相关性。

一种改进U-Net的遥感影像建筑物提取方法

针对高分辨率遥感影像信息复杂浅层网络难以对其目标物特征信息充分学习,图像因裁剪导致边缘信息损失使得模型对图像边缘预测效果较差的问题,该文将U-Net收缩路径加深以增强网络对特征信息的学习能力,并加入随机失活函数(Dropout)层抑制过拟合现象的发生,扩张路径中加入批量归一化层以提高网络训练速度,并将忽略边缘交叉熵函数与骰子函数结合构建联合损失函数作为本文模型的损失函数以提高模型对图像边缘的预测效果。实验结果表明:该文方法对建筑物边缘能够进行有效预测;对建筑物轮廓以及较小建筑物的提取较之SVM、主干网络为VGG的U-Net提取效果有所提高;并在应用扩展研究数据集中有着较好的表现。