基于多任务学习的高分辨率遥感影像建筑实例分割

惠健^1,2, 秦其明^1,2,3,?, 许伟^1,2, 隋娟¹

1. 北京大学遥感与地理信息系统研究所, 北京大学地球与空间科学学院, 北京 1008712. 空间信息集成与3S 工程应用北京市重点实验室, 北京 1008713. 自然资源部地理信息系统技术创新中心, 北京 100871

收稿日期:2019-01-02修回日期:2019-05-09出版日期:2019-11-20

基金资助:国家重点研发计划(2017YFB0503905)资助

Instance Segmentation of Buildings from High-Resolution Remote Sensing Images with Multitask Learning

HUI Jian^1,2, QIN Qiming^1,2,3,?, XU Wei^1,2, SUI Juan¹

1. Institute of Remote Sensing and Geographic Information System, School of Earth and Space Sciences, Peking University, Beijing 1008712. Beijing Key Lab of Spatial Information Integration and 3S Application, Beijing 100871
3. Geographic Information System Technology Innovation Center, Ministry of Natural Resources, Beijing 100871

Received:2019-01-02Revised:2019-05-09Published:2019-11-20

PDF

(22062KB)

可视化

0

复制本文网址

1. 探讨2016版国际胰瘘研究小组定义和分级系统对胰腺术后患者胰瘘分级的影响.PDF(500KB)

-->

摘要/Abstract

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%。

引用本文

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.





PDF全文下载地址:

http://xbna.pku.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=3413