摘要:
针对基于深度神经网络的高分辨率遥感影像建筑物提取算法中将建筑物提取视为二分类问题(即将遥感影像中的像素点划分为建筑物与非建筑两类)而无法区分建筑物个体的局限性, 将基于Xception module改进的U-Net深度神经网络方法与多任务学习方法相结合进行建筑物实例分割, 在获取建筑物二分类结果的同时, 区分不同建筑物个体, 并选择Inria航空影像数据集对该方法进行验证。结果表明, 在高分辨率遥感影像的建筑物二分类提取方面, 基于Xception module改进的U-Net方法明显优于U-Net方法, 提取精度升高1.4%; 结合多任务学习的深度神经网络方法不仅能够实现建筑物的实例分割, 而且可将二分类建筑物的提取精度提升约0.5%。
惠健, 秦其明, 许伟, 隋娟. 基于多任务学习的高分辨率遥感影像建筑实例分割[J]. 北京大学学报自然科学版, 2019, 55(6): 1067-1077.
HUI Jian, QIN Qiming, XU Wei, SUI Juan. Instance Segmentation of Buildings from High-Resolution Remote Sensing Images with Multitask Learning[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2019, 55(6): 1067-1077.