设计了一种结合边缘增强的全局自注意力深度学习网络(global self−attention network with edge−enhancement,E−GSANet),用于遥感影像建筑物提取,在编码主干构建并融入边缘增强模块,为网络赋予边界先验知识信息;通过全局自注意力特征表...设计了一种结合边缘增强的全局自注意力深度学习网络(global self−attention network with edge−enhancement,E−GSANet),用于遥感影像建筑物提取,在编码主干构建并融入边缘增强模块,为网络赋予边界先验知识信息;通过全局自注意力特征表达模块构建影像的长距离依赖关系,实现显著特征与边缘增强特征的表达融合;使用逐级上采样解码模块,将空间细节信息丰富的浅层特征与具有高阶语义信息的深层特征相融合,得到建筑物的精确提取结果。基于2个开源的遥感建筑物数据集,将E−GSANet与当前主流方法进行对比,定量和定性分析表明,E−GSANet在各项指标中都取得了最优的结果,提取出的建筑物更为完整,边缘更加精确,精度更高。此外,网络结构的消融实验分析证明了各模块的有效性。展开更多
文摘设计了一种结合边缘增强的全局自注意力深度学习网络(global self−attention network with edge−enhancement,E−GSANet),用于遥感影像建筑物提取,在编码主干构建并融入边缘增强模块,为网络赋予边界先验知识信息;通过全局自注意力特征表达模块构建影像的长距离依赖关系,实现显著特征与边缘增强特征的表达融合;使用逐级上采样解码模块,将空间细节信息丰富的浅层特征与具有高阶语义信息的深层特征相融合,得到建筑物的精确提取结果。基于2个开源的遥感建筑物数据集,将E−GSANet与当前主流方法进行对比,定量和定性分析表明,E−GSANet在各项指标中都取得了最优的结果,提取出的建筑物更为完整,边缘更加精确,精度更高。此外,网络结构的消融实验分析证明了各模块的有效性。
