基于Attention Gates和R2U-Net的遥感影像建筑物提取方法

TP751; 针对深度语义分割算法提取遥感影像建筑物时易产生建筑物边缘分割不明确、提取精度不高等问题,该文提出一种基于Attention Gates(AG)和R2U-Net的遥感影像建筑物提取方法(AGR2U-Net).该方法将R2U-Net模型每一层输出的特征图与其相邻层的特征图输入至改进的AG模型中,得到与输入影像大小一致的特征图,以提高R2U-Net模型的多尺度泛化能力,从而增强该模型对建筑物特征的响应及灵敏度,最终提升遥感影像建筑物提取精度.利用WHU卫星影像数据集和WHU航空影像数据集,对该方法与U-Net、Improved U-Net、SegU-Net和R2U-Net方法进行对比实验验证,结果表明,该方法的交并比、像素准确率和召回率均最高,且提取的建筑物边缘更准确、内部信息更完整、误检和漏检情况更少.