【技术】一种面向高分辨率遥感影像的建筑物提取方法

摘要

针对网络模型参数量大、下采样过程丢失影像建筑物细节信息的问题，受轻量级网络的启发，设计了一种融入深度可分离残差块和空洞卷积的建筑物提取网络（SD-BASNet）。首先，在深度监督编码器预测模块中设计了一个深度可分离残差块，将深度可分离卷积引入主干网络ResNet中，避免卷积核过大，减少网络的参数量；其次，为防止网络轻量化带来的精度下降，将空洞卷积融入后处理优化模块的编码层，增大特征图的感受野，从而捕捉更广泛的上下文信息，提高建筑物特征提取的准确性。在WHU建筑物数据集上进行实验，在不同尺度建筑物提取中均表现较好，其平均交并比和平均像素精度分别为92.25%和96.59%，其召回率、精确率和F1指标分别达到96.50%，93.79%和92.61%。与PSPNet，SegNet，DeepLabV3，SE-UNet，UNet++等语义分割网络相比，SD-BASNet网络提取精度得到了显著提升，且提取的建筑物完整度更好；与基础网络BASNet相比，SD-BASNet网络的参数量与运行时间也有所减少，证实了该文提出的SD-BASNet网络的有效性。

引用

朱娟娟, 黄亮, 朱莎莎. 面向高分辨率遥感影像建筑物提取的SD-BASNet网络 [J]. 自然资源遥感, 2025, 37(5): 122-130.

引言

本文在深度可分离卷积（depthwise separable convolution，DSC）的启发下，基于BASNet提出了SD-BASNet网络。该网络在BASNet的基础上设计了一个深度可分离残差模块（depthwise separable residual module，DSRM），降低了模型的参数量、缩短了网络运行时间；其次，为防止网络轻量化带来的精度下降，将空洞卷积（dilated convolution，DC）融入BASNet优化模块的编码层，在不增加卷积核大小的情况下，增大特征图的感受野，从而捕捉更广泛的上下文信息，提高建筑物提取的精度。

本文在BASNet网络的基础上进行了改进，提出了一种基于高分辨率遥感影像（high spatial resolution remote sensing images，HSRRSI）的建筑物提取网络SD-BASNet。该网络在BASNet网络的深度监督编解码（Encoder-Decoder）结构中设计了DSRM，将DSC引入其主干网络，避免了卷积核过大，减少模型的参数量；同时在优化模块的编码层中加入DC，目的是增大特征图感受野，解决因为编码层下采样过程中所导致的信息丢失问题，旨在实现建筑物的精细化提取同时使得网络参数量有所下降。

本文提出的SD-BASNet结构如图1所示。原BASNet网络主要由深度监督的Encoder-Decoder模块和残差优化模块组成。深度监督的Encoder-Decoder模块是一个分割目标预测模型，该结构捕获语义信息以提高建筑物提取精度，然后将提取到的特征图传入优化模块，改善影像区域的不确定性和边缘粗糙问题。但由于在网络训练过程中网络模型较为复杂，所产生的参数量不容小觑。因此，本文在BASNet网络的基础上进行改进，提出一种面向HSRRSI建筑物提取的SD-BASNet网络。

主要图表

图1SD-BASNet网络结构

图2标准卷积与DSC对比

图3DSRM结构

图4不同扩张率的感受野示意图

图5不同场景下建筑物示例图

图6小尺度建筑物提取结果

图7多尺度建筑物提取结果

图8大尺度建筑物提取结果

图9消融实验对比结果

结束语

从上述实验结果与分析中可得出，SD-BASNet与其他几种网络相比，精度和可视化结果均有较大的提升，验证了其对HSRRSI建筑物提取的有效性和可行性。而对比基础网络BASNet，本文网络的DSRM模块能简化网络结构，降低模型的参数量；在优化模块加入DC后，能更好地提取目标特征、增强模型的表征能力，说明设计DSRM与加入DC对网络模型训练有一定的积极影响。同时，在建筑物小尺度、多尺度、大尺度的背景下，SD-BASNet与其他网络相比依旧能取得较好结果，证明了所提网络的实用性与优越性。

本文利用所提出的网络SD-BASNet，降低了基础网络BASNet的参数量，同时实现了建筑物提取精度的提升。该网络为避免卷积核过大，在预测网络中设计了DSRM模块，有效减少了模型的参数量；又在优化模块的编码层中加入DC以增大特征图感受野，解决编码层下采样过程中所导致的信息丢失问题。在WHU建筑物数据集上对网络进行了实验测试。结果表明：与基础网络BASNet相比，SD-BASNet中DSRM模块的设计与DC的集成使得参数量和运行时间分别减少了25.10×106和0.36 h，且在不修改网络结构的情况下提高了其精度；相较于其他6种对比网络，其精度指标及可视化效果为总体最佳。

然而本文网络在召回率指标的提取上，依旧低于基础网络BASNet。在后续研究中，针对此问题需综合考虑样本类别的平衡问题。同时进一步优化网络结构，可尝试将语义分割算法与目标检测任务进行融合，提升网络在训练过程的精度，使其在复杂场景中达到更好的提取效果。

来源：测绘学术资讯