基于深度学习的高分辨率遥感图像建筑物识别

doi:10.3778/j.issn.1002-8331.1910-0211

计算机工程与应用 ›› 2020, Vol. 56 ›› Issue (8): 26-34.DOI: 10.3778/j.issn.1002-8331.1910-0211

基于深度学习的高分辨率遥感图像建筑物识别

宋廷强，李继旭，张信耶

1.青岛科技大学信息科学技术学院，山东青岛 266100
2.珠海欧比特宇航科技股份有限公司人工智能研究院，广东珠海 519000

出版日期:2020-04-15 发布日期:2020-04-14

Building Recognition in High-Resolution Remote Sensing Image Based on Deep Learning

SONG Tingqiang, LI Jixu, ZHANG Xinye

1.School of Information Science and Technology, Qingdao University of Science and Technology, Qingdao, Shandong 266100, China
2.Artificial Intelligence Research Institute, Zhuhai Obit Aerospace Technology Co., Ltd., Zhuhai, Guangdong 519000, China

Online:2020-04-15 Published:2020-04-14

摘要/Abstract

摘要：

为解决当前深度学习方法在高分辨率遥感图像中存在识别结果过度分割，以及小物体识别差的问题，提出一种基于SegNet架构改进的网络模型AA-SegNet，增加了增强的空间金字塔池化模块和空间注意力融合模块。该网络可以加强特征传播并能够有效传递更高级别的特征信息以抑制低级特征的噪声，并且可以增强小目标特征学习。基于高分二号遥感影像制作数据集并进行实验，AA-SegNet网络总体识别准确率为96.61%，在识别率、[F1]分数以及训练时间等方面也都优于SegNet、U-Net、DeepLab-V3网络。

关键词: 深度学习, 建筑识别, 高分辨率遥感, 增强型空间金字塔模型, 注意力机制, 语义分割

Abstract:

The current deep learning method has excessive segmentation of recognition results and poor recognition of small objects in high-resolution remote sensing images. In order to solve this problem, an improved network model AA-SegNet based on SegNet architecture is proposed, and an enhanced spatial pyramid pooling module and spatial attention fusion module are added. The network can enhance feature propagation and can effectively deliver higher levels of feature information to suppress noise of low-level features, and can enhance small-target feature learning. Based on the high-resolution 2 remote sensing image dataset and experiment, the overall recognition accuracy of AA-SegNet network is 96.61%, which is superior to SegNet, U-Net and DeepLab-V3 networks in recognition rate, [F1] score and training time.

Key words: deep learning, building identification, high resolution remote sensing, enhanced spatial pyramid model, attention mechanism, semantic segmentation

宋廷强，李继旭，张信耶. 基于深度学习的高分辨率遥感图像建筑物识别[J]. 计算机工程与应用, 2020, 56(8): 26-34.

SONG Tingqiang, LI Jixu, ZHANG Xinye. Building Recognition in High-Resolution Remote Sensing Image Based on Deep Learning[J]. Computer Engineering and Applications, 2020, 56(8): 26-34.

[1]	武文杰，宋文爱，高雪梅，杨吉江，王青，黄丽萍，雷毅. 基于X线的成人OSA计算机辅助诊断综述[J]. 计算机工程与应用, 2021, 57(9): 1-8.
[2]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[3]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[4]	李晓筱，胡晓光，王梓强，杜卓群. 基于深度学习的实例分割研究进展[J]. 计算机工程与应用, 2021, 57(9): 60-67.
[5]	黄冬宜，杨兵，吴子豪，匡佳一，颜泽明. 用于全市蜂窝流量预测的时空全连接卷积网络[J]. 计算机工程与应用, 2021, 57(9): 168-175.
[6]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[7]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[8]	张朕通，单玉刚，袁杰. 联合多尺度和注意力机制的遥感影像检测[J]. 计算机工程与应用, 2021, 57(9): 212-216.
[9]	徐少杰，曹雏清，王永娟. 视觉SLAM在室内动态场景中的应用研究[J]. 计算机工程与应用, 2021, 57(8): 175-179.
[10]	李明山，韩清鹏，张天宇，王道累. 改进SSD的安全帽检测方法[J]. 计算机工程与应用, 2021, 57(8): 192-197.
[11]	曾春艳，严康，王志锋，余琰，纪纯妹. 深度学习模型可解释性研究综述[J]. 计算机工程与应用, 2021, 57(8): 1-9.
[12]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[13]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[14]	赵圆丽，梁志剑. 基于异核卷积双注意机制的立场检测研究[J]. 计算机工程与应用, 2021, 57(8): 119-125.
[15]	张越，黄友锐，刘鹏坤. 引入注意力机制的多分辨率人体姿态估计研究[J]. 计算机工程与应用, 2021, 57(8): 126-132.

基于深度学习的高分辨率遥感图像建筑物识别

Building Recognition in High-Resolution Remote Sensing Image Based on Deep Learning

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics