一种双U-Net的遥感影像道路提取方法

针对高分辨率遥感影像道路提取难度大、自动化程度低等问题,设计了一种改进U-Net的道路提取方法。该方法首先构建特征编码器为VGG16的VGGU-Net网络,并采用迁移权值方法初始化特征编码器;其次将提取的特征信息输入到另一U-Net网络,通过双网络联合训练方式提高网络的特征拟合能力;最后结合形态学和滤波算法对提取的道路数据进行后处理。实验结果表明:改进后算法对道路提取效果得到了有效的提升,在测试集上的准确率、召回率和IoU分别达到了93.56%、88.22%和83.17%。

面向自动驾驶的遥感影像路网检测方法

针对高分辨率遥感影像道路提取难度大、提取精度低的问题,提出了一种基于VGGU-Net++的遥感影像路网检测方法。首先基于VGGU-Net框架构建了编码器-解码器网络;其次,设计了一系列嵌套、密集的卷积块,用以缩小编码器与解码器特征映射之间的语义差距。节点之间利用跳跃连接填充了具有多个卷积层的密集卷积块,其层数取决于金字塔等级;并在2个卷积块之间设置1个串联层,该层将同一密集块前一个卷积层的输出和浅层的上采样输出进行特征图融合。同时,使用深监督策略保证网络模型的修剪程度和速度增益。在网络训练过程中,这种相似语义特征图的跳转连接可以简化优化操作,提高网络训练性能。最后,利用遥感影像开源数据集——马萨诸塞州数据集进行算法的测试与验证。结果表明,提出的VGGU-Net++网络与现有同类方法相比,获得了更好的性能表现,在精确率、召回率、F_(1)-score和I_(oU)方面分别达到了88.1%、87.1%、88.5%和77.9%,能够实现城市、山区、直线、弯曲道路场景高维、复杂、抽象特征的自动提取;此外,检测结果能够减少干扰,降低误检,保留更多道路细节信息,得到更加完整、清晰的路网检测效果。