基于特征增强和ELU的神经网络建筑物提取研究

作     者：唐璎 刘正军 杨懿 顾海燕 杨树文 TANG Ying;LIU Zhengjun;YANG Yi;GU Haiyan;YANG Shuwen

作者机构：中国测绘科学研究院摄影测量与遥感研究所北京100830 兰州交通大学测绘与地理信息学院兰州730070 地理国情监测技术应用国家地方联合工程研究中心兰州730070 甘肃省地理国情监测工程实验室兰州730070 

出 版 物：《地球信息科学学报》 (Journal of Geo-information Science)

年 卷 期：2021年第23卷第4期

页      面：692-709页

核心收录：

学科分类：083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 081802[工学-地球探测与信息技术] 08[工学] 0818[工学-地质资源与地质工程] 081602[工学-摄影测量与遥感] 0816[工学-测绘科学与技术] 

基　　金：国家重点研发计划项目(2018YFB0504504) 国家自然科学基金项目(41701506、41371406) 中央级公益性科研院所基本科研业务费专项资金项目(AR1923) 

主　　题：高分辨率遥感影像 卷积神经网络 建筑物提取 特征增强 激活函数ELU FE-Net网络模型 端到端 深度学习 

摘      要：近年来,城市发展快速,大量人口奔向城市工作生活,城市建筑物的数量有如雨后春笋般扩张,需要合理地规划城市土地资源,遏制违规乱建现象,因此基于高分辨率遥感影像,对建筑物进行准确提取,对城市规划和管理有着重要辅助作用。本文基于U-Net网络模型,使用美国马萨诸塞州建筑物数据集,对网络模型结构进行探究,提出了一种激活函数为ELU、编码器-特征增强-解码器结构的网络模型FE-Net。实验首先通过比较不同网络层数的U-Net5、U-Net6、U-Net7的建筑物提取效果,找到最佳的基础网络模型U-Net6;其次,基于该模型,加入特征增强结构得到U-Net6+ReLU+特征增强的网络模型;最后,考虑到ReLU容易产生神经元死亡,为优化激活函数,将激活函数替换为ELU,从而得到网络模型FE-Net(U-Net6+ELU+特征增强)。比较3个网络模型(U-Net6+ReLU、U-Net6+ReLU+特征增强、FE-Net(U-Net6+ELU+特征增强))的建筑物提取结果,表明FE-Net网络模型的建筑物提取效果最好,精度放松F1值达到97.23%,比U-Net6+ReLU和U-Net6+ReLU+特征增强2个网络模型分别高出0.36%和0.12%,且与其他具有相同数据集的研究成果比较,具有最高的提取精度,它能较好地提取出多尺度的建筑物,不仅对小尺度建筑物有较好的提取效果,而且能大致、较完整地提取出形状不规则的建筑物,有相对更少的漏检和错检,较准确地实现了端到端的建筑物提取。