城市建成区、建筑物等人工地理要素的精确识别与制图对于城市规划、国土空间治理、智慧城市建设等 具有重要的意义。当前高分辨率航空航天和无人机遥感技术的快速发展为地表要素的获取提供了有效的数 据源,人工智能、计算机视觉等模型和算法的发展为基于这些数据的目标检测和识别提供了可行的解决方案。
针对高分辨率遥感影像由于光谱异质、空间特征复杂导致建成区/建筑物识别效果不佳的挑战,构建 了轻量级的融合密集连接的双重注意力网络、无监督领域自适应网络、以及多尺度特征融合与增强的语义 分割网络等系列深度学习模型,实现大范围城市建成区以及单体建筑物的自动提取。
(1)采用基于基于块的处理策略并构建了一个轻量级的多级特征融合(FF) 卷积神经网络(图2),用于 高分遥感图像中建筑区域的特征表示和判别。所提出的网络由三个特征提取模块组成,这些模块由轻量级 卷积组成,用于提取不同层次的特征,并通过两个基于注意力的FF模块依次融合。此外,为了改善基于块的 处理引起的不正确区分和严重锯齿状边界的问题,采用了一种基于网格偏移的多数投票方法来实现建成 区的精细提取。
(2)提出了一种基于多尺度特征融合和增强(MSFFE) 的语义分割模型,用于从高分辨率遥感图像中 提取建筑物。所提出的模型使用了编码器和解码器的网络结构。在编码阶段,使用密集连接的卷积神经网 络作为编码器来提取多级空间和语义特征。为有效地利用建筑物的多尺度特征,在编码器和解码器之间设 计了一个多尺度特征融合(MSFF) 模块,用于在复杂场景中区分不同尺度的建筑物。在解码阶段,解码器 中引入了注意力加权语义增强(AWSE) 模块来辅助上采样过程。它不仅充分利用了编码器输出的多级特 征,还突出了建筑物的关键局部语义信息。
相比于当前主流的建成区/建筑物提取模型,提取的模型采用轻量化的深度学习架构,在保证提取精 度的同时降低了样本需求和计算消耗,并且提取结果能保持良好的形状结构,便于矢量化处理。
已授权国家发明专利3项。
利用提出的模型,基于国产的高分二号卫星遥感数据,实现了深圳市1m 分辨率建成区一张图的制作。 通过无监督领域自适应,可用于实现无样本或小样本条件下任意其它城市多种分辨率城市建成区和建筑 物的制图,服务于城市规划、城镇化监测、人口估计与调查、基础地理数据库更新等应用。