CN114663759B 一种基于改进DeepLabV3+的遥感影像建筑物提取方法 （东南大学）

号一种基于改进DeepLabV3+的遥感影像建筑本发明提供了一种基于改进DeepLabV3+的DUpsampling方法代替传统的双线性插值方法；将遥感影像数据集输入到改进后的网络模型中练好的建筑物检测模型在遥感影像的测试集中次裁剪再预测拼接会损失大量的边缘信息的问题，本发明中采取忽略边缘预测的方法进行改2S2对传统的语义分割算法DeepLabV3+进行改进，引接ASPP模块以及在解码端用DUpsampling方法代替传统的S3将遥感影像数据集输入到改进后的网络模型中S5采取忽略边缘预测的方法对大尺度遥感影像进步骤S2中，在DeepLabV3+的骨干特征提取网络ResNet-101中嵌块，在ResBlock中将输入特征图F分别进行宽度和高度的全局平均池化操作和最大池化操步骤S2中，将得到的通道特征图Mc在通道维度上分别进行全局平均池化操作和最大池步骤S2中，将DeepLabV3+中ASPP结构的不同膨胀率的空洞卷积层通过级联的方式组步骤S2中，在解码端，对特征图进行上采样从而恢复到原始图2.根据权利要求1所述的基于改进DeepLabV3+的遥感影像建筑物提取方法，其特征在3.根据权利要求1所述的基于改进DeepLabV3+的遥感影像建筑物提取方法，其特征在采取忽略边缘预测的方法，即有重叠地对影像进行裁剪并且在拼接时采取忽略边缘的策3[0001]本发明属于遥感技术和计算机视觉技术交叉领域，具体涉及到一种基于改进[0009]S3将遥感影像数据集输入到CBDD-DeepLabv3+中进行训练，获得训练好的建筑物[0011]S5采取忽略边缘预测的方法对大尺度遥感影像进行预测来避免损失大量的边缘4骨干特征提取网络是在传统DeepLabV3+骨干特征提取网络ResNet-101的基础上嵌入双注意力机制CBAM模块，首先在ResBlock中将输入特征图F分别进行宽度和高度的全局平均池模块用DUpsampling方法代替传统的双线性插值进行上采样，减少上采样操作中对特征图[0021]图1为本发明实施例中的一种基于改进DeepLabV3+的遥感影像建筑物提取方法流5[0025]图5为本发明实施例中改进后CBDD-DeepLabv3+网络中上采样方法DUpsampling的高分辨率特性的遥感影像建筑物数据库。该数据库影像来自于新西兰ChristChurch地区，有8180张图像和对应的像素级标签图，分辨率为512×512像素。其中包括4736张训练集，[0035](1)对所述DeepLabV3+中深度特征提取网络进行改进，本发明将resnet101作为DeepLabV3+的主干特征提取网络，在此基础上，将双注意力机制CBAM模块引入resnet1016[0036](2)对所述DeepLabV3+空间金字塔池化(ASPP)模块进行改进,为了能够获取更密集的多尺度特征，本发明将DenseNet中的密集连接思想应用在ASPP中，称之为密集连接[0040]S3将遥感影像数据集输入到CBDD-DeepLabv3+中进行训练，获得训练好的建筑物[0042]在本发明中损失函数同时采用了软交叉熵损失函数和Diceloss组成的混合损失网络中引入CBAM模块后MIoU提升了1.58同时引入密集连接ASPP后提高了0.63然后上采样方法由DUpsampling取代双线性插值后MIoU值增长了0.52相较原DeepLab增长了[0046]S6采取忽略边缘预测的方法对大尺度遥感影像进行预测来避免损失大量的边缘7到的大尺度图像预测图如图8所示。实验分析其MIOU达到了92.75证明了本发明在遥感8