场景解译框架下的高铁沿线建筑物自动识别

针对传统建筑物提取方法中图像高层语义和低层视觉特征之间存在的语义鸿沟问题,提出一种基于卷积神经网络模型场景解译框架下的高铁沿线建筑物隐患区域自动识别方法。该方法首先将遥感影像重叠地划分成一系列的影像块,生成卷积神经网络模型输入的基本单元;然后,根据训练样本集,学习获得模型参数,并预测每个待解译影像块内各地物类别的概率分布;最后,原始影像中每个像素的地物类别由所有覆盖该像素影像块的场景类别所共同确定,继而将获得的多分类图转化为二值分类图,实现建筑物区域的自动识别。2 675×6 465的大场景高铁沿线遥感影像下开展的实验结果表明,该方法建筑物提取精度明显优于传统分类方法,提取结果的紧凑性和平滑性得到显著提升,与地表真实值吻合度较高。

联合膨胀卷积残差网络和金字塔池化表达的高分影像建筑物自动识别

针对传统建筑物提取方法对视觉特征人为设计的依赖,以及基于全卷积神经网络模型对提取目标边缘轮廓保真度差和对不同粒度建筑物自适应提取弱等问题,该文提出一种联合膨胀卷积残差网络和金字塔池化表达的高分辨率遥感影像建筑物自动识别方法,其所构建的全卷积神经网络包括膨胀卷积残差网络和金字塔池化单元两部分。在残差网络中,通过膨胀卷积限制模型中特征图分辨率的严重损失,从而有效地保留更多的细节特征;在金字塔池化单元中,通过全局平均池化将特征图池化为不同尺度,并与原始的输入特征图相融合,形成多尺度特征表达。基于马萨诸塞州地区具有复杂地表覆盖的公开遥感影像数据集开展的实验表明,相比目前较为流行的几种全卷积神经网络分类方法,该文所提出的联合膨胀卷积残差网络和金字塔池化表达方法的提取精度更高,建筑物提取结果能够有效地保留边界的细节轮廓信息,同时对不同形状大小建筑物的自适应提取能力更强。