关键词：
高分辨率遥感影像
深度学习
弱样本
语义分割
建筑物分类
摘要：
建筑物作为人类活动的主要场所,在城市场景中广泛分布。研究城市中建筑物的类型、位置、分布等空间和属性信息,可为城乡区域规划、道路交通管理等应用提供决策和技术支持。随着遥感技术的发展,高分辨率遥感影像以其获取地物丰富的纹理和形状等信息的能力,逐渐流行于建筑物信息提取和分类领域。然而,随着影像的分辨率提高,影像中地物信息的冗余度也随之增加。同时高分辨率影像更细致的纹理和形状信息,则会导致不同地物类型的类间相似性增加。因此如何从高分辨率遥感影像中自动准确地提取建筑物的信息,成为了极具挑战的热点问题。
传统遥感影像建筑物提取算法耗时、耗力,已经不再适用于在信息量庞大的高分辨率影像中提取和分类建筑物。近年来,深度学习语义分割方法凭借自动化程度高、精度准确的优势,为高分辨率影像中建筑物信息的自动分割提供了新的解决思路。然而,由于高分辨率影像中建筑物的外观形状不规则且纹理差异性较大,目前的语义分割方法无法全面地考虑建筑物的特征,难以同时兼顾空间多尺度全局特征和局部细节特征,从而导致建筑物的分类和提取精度较差。此外,现有的深度学习方法需要大量的人工标注的样本进行训练,才能得到较为理想的结果,不能利用无标签的影像进行训练。
针对上述问题,本研究开展了以下工作:
(1)针对目前高分辨率遥感影像的建筑物像素级语义分割方法,存在的各类型建筑物之间边界轮廓模糊、同类型建筑物区域内部完整性低等问题,本研究提出了一种耦合Deep Labv3+和Vision Transformer编码器的双分支并行特征融合模型FDTNet,以实现建筑物的精细遥感分类与提取。
(2)针对建筑物深度学习语义分割模型需要大量人工标注训练样本的问题,本研究提出了基于机载Li DAR点云和高分辨率遥感影像的弱样本自动生成方法,以弱样本代替真实样本,从而降低模型对有标签训练样本的需求量。
(3)针对多源LiDAR点云和高分辨率遥感数据生成的弱样本,质量与真实样本存在偏差,导致模型测试精度较低的问题,本研究提出了一种弱样本优化策略,用于提高弱样本的分类结果精度。
为了证明本研究提出的建筑物弱监督分类方法的有效性,本研究基于分辨率尺度不同的两个高分辨率影像建筑物分类数据集,Yuhu城市数据集和Xiang Xi城乡建筑物数据集进行实验。在模型方法的对比实验中,相比于基础网络模型Deep Labv3+,FDTNet模型对每个类分类结果的交集()、平均()和总体准确度()等方面均有显著提升,FDTNet模型在建筑物多分类的Yuhu城市数据集上的至少提高了2.2%,证明了本研究方法对网络模型框架改进的合理性。同时,在基于FDTNet模型的弱样本优化实验中,将真实样本、弱样本、优化后的弱样本分别作为FDTNet模型的输入,所得的三种样本测试结果表明,以Li DAR数据和影像数据生成的弱样本,在弱样本中建筑物训练特征充足的条件下,可以替代人工标注的真实样本进行模型训练。
本研究提出多源遥感数据的建筑物弱监督分类FDTNet模型,通过对比验证其他成熟的建筑物语义分割模型(包括UNet、Deep Labv3+、Vision Transformer、Swin-Transformer、Swin T-CNN和Res T),探索了FDTNet在建筑物数据集上的分类性能,设计的弱样本生成和优化策略可以提升弱样本的质量,从而提升建筑物弱监督分类精度。本研究深化了基于多源遥感数据的地物目标弱监督智能解译,在时间效率、样本制作和结果精度等方面具有重要优势,将在自然资源调查、生态环境监测和城乡空间规划等领域提供技术支撑。
欢迎来到三峡大学图书馆！
