基于多尺度特征融合的遥感图像建筑物提取算法研究

由于高分辨率遥感图像中的建筑物尺寸多样，且背景复杂，因此在对遥感图像中的建筑物进行提取时，往往存在细节丢失、边缘模糊等问题，从而影响模型的分割精度。为了解决这些问题，提出了具有空间和语义信息的双分支架构网络B2Net。首先，在语义信息分支上建立交叉特征融合模块，充分捕获上下文信息，以聚合更多的多尺度语义特征；其次，在空间信息分支上将空洞卷积和深度可分离卷积进行组合，提取图像的多尺度空间特征，并通过优化膨胀率扩大网络的感受野；最后，构建内容感知注意力模块，对图像中的高频和低频内容进行自适应选择，以达到细化建筑物分割边缘的效果。在两个建筑物数据集上对B2Net进行训练与测试。在WHU数据集上，与基线模型相比，B2Net在精度、召回率、F1分数以及交并比上皆达到了最佳效果，分别为98.60%,99.40%,99.30%,88.50%;在Massachusetts建筑物数据集上，4个指标比BiSeNet分别提高了0.9%,1.9%,1.7%,2.2%。实验结果证明，B2Net可以更好地捕获空间细节信息和高级语义信息，提高了复杂背景下的建筑物进行分割精度，满足了对建筑物快速提取的需求。