基于实例分割的城中村建筑物矢量轮廓提取北大核心CSCD

针对当前基于深度学习的遥感图像分割算法只能获取城中村建筑物像素掩膜,而无法直接获取矢量轮廓的问题,设计了一个实例分割模型PolarMask-UV,采用极轴表示代替传统的像素表示以描述目标轮廓,将繁重的逐像素密集预测任务简化为实例中心点分类和稀疏距离回归问题,实现对城中村建筑物的端到端矢量多边形提取。以2017年杭州市的高分二号影像为实验数据,分析结果表明:设计的算法在维持轻量化的同时可以有效地减少错检漏检,并且完整精细地恢复小尺寸目标的边界轮廓,具有良好的泛化性能;相比其他方法,可直接获得矢量边界且平均精度更高。研究成果可为城中村的规划管理业务提供直观准确的建筑物位置、形状及数量信息。