针对遥感图像建筑物的轮廓分割不完整、边界分割模糊和阴影干扰等导致的错误分割问题,提出一种基于VGG16的卷积块注意力深度可分离卷积U-Net网络(VGG16 Convolutional Block Attention and Deep Separable Convolution U-Net,VCDG-UNet...针对遥感图像建筑物的轮廓分割不完整、边界分割模糊和阴影干扰等导致的错误分割问题,提出一种基于VGG16的卷积块注意力深度可分离卷积U-Net网络(VGG16 Convolutional Block Attention and Deep Separable Convolution U-Net,VCDG-UNet)。为对建筑物特征进行提取,编码器部分模型以具有强大特征提取能力的VGG16作为骨干网络;解码器部分用深度可分离卷积代替普通卷积来减少参数量并融合不同尺度的特征;引入卷积块注意力模块(Convolutional Block Attention Module,CBAM)加入跳跃连接中,使其更有效地从不同尺度的图像中提取上下文信息并提高其对重要区域的关注度;为解决网络训练过程中的梯度消失问题,使用了高斯误差线性单元(Gaussian Error Linear Unit,GELU)。实验结果显示,改进后的网络在WHU和INRIA数据集上的平均交并比(mean Intersection over Union,mIoU)和F1-score分别达到了94.20%、96.83%和89.69%、94.51%,相较于基础模型高出了1.59%、0.76%和2.8%、1.59%。展开更多
文摘针对遥感图像建筑物的轮廓分割不完整、边界分割模糊和阴影干扰等导致的错误分割问题,提出一种基于VGG16的卷积块注意力深度可分离卷积U-Net网络(VGG16 Convolutional Block Attention and Deep Separable Convolution U-Net,VCDG-UNet)。为对建筑物特征进行提取,编码器部分模型以具有强大特征提取能力的VGG16作为骨干网络;解码器部分用深度可分离卷积代替普通卷积来减少参数量并融合不同尺度的特征;引入卷积块注意力模块(Convolutional Block Attention Module,CBAM)加入跳跃连接中,使其更有效地从不同尺度的图像中提取上下文信息并提高其对重要区域的关注度;为解决网络训练过程中的梯度消失问题,使用了高斯误差线性单元(Gaussian Error Linear Unit,GELU)。实验结果显示,改进后的网络在WHU和INRIA数据集上的平均交并比(mean Intersection over Union,mIoU)和F1-score分别达到了94.20%、96.83%和89.69%、94.51%,相较于基础模型高出了1.59%、0.76%和2.8%、1.59%。
