摘要

針對(duì)遙感影像中背景特征復(fù)雜多樣導(dǎo)致道路提取效果不佳的問題，設(shè)計(jì)了一種改進(jìn)于UNet的結(jié)合多尺度特征提取與注意力聚合的遙感影像道路提取方法(MSUNet)。該方法通過金字塔特征聚合操作融合編碼器的多層特征保留道路的空間及語義信息，并引入基于條形卷積的多尺度特征提取與注意力聚合解決空洞卷積中的像素特征損失問題，加強(qiáng)對(duì)道路的線性特征提取，豐富道路的上下文信息。實(shí)驗(yàn)在Massachusetts Roads數(shù)據(jù)集上進(jìn)行，其精確度、召回率、F1分?jǐn)?shù)和交并比相比于UNet分別提升0.73%、1.44%、1.09%、1.46%；在自主標(biāo)注的吉林一號(hào)光學(xué)A星道路數(shù)據(jù)集上，其4項(xiàng)指標(biāo)相比于UNet分別提升3.97%、1.82%、2.85%、3.96%。實(shí)驗(yàn)結(jié)果表明，MSUNet優(yōu)于所比較的方法，能夠有效提高道路提取的準(zhǔn)確性。

引用

[1] 范禹靜,劉繼東,靳國旺,等. 一種結(jié)合多尺度特征提取與注意力聚合的遙感影像道路提取方法[J/OL]. 測(cè)繪科學(xué)技術(shù)學(xué)報(bào), 1-11[2025-12-29]. https://kns.cnki.net/kcms/detail/10.1974.P.20251126.1450.048.html.

引言

高分辨率遙感影像由于具備宏觀視野、實(shí)時(shí)可靠、覆蓋范圍廣以及數(shù)據(jù)量龐大等一系列優(yōu)勢(shì)，成為獲取道路信息和實(shí)時(shí)更新地理信息數(shù)據(jù)庫的主要數(shù)據(jù)來源。然而，由于遙感影像背景較為復(fù)雜，從海量高分辨率遙感影像中提取道路存在諸多困難：1)道路結(jié)構(gòu)不規(guī)則，具有復(fù)雜的拓?fù)浣Y(jié)構(gòu)；2)道路具有跨度大、狹窄且連續(xù)分布等特點(diǎn)，易與其他地物如河流、溝壑等產(chǎn)生混淆；3)地物特征細(xì)節(jié)信息較為豐富，非道路信息如植被陰影、車輛流動(dòng)、高層建筑物遮擋和人流流動(dòng)非常復(fù)雜，對(duì)提取道路信息帶來較大干擾。

基于編解碼器的網(wǎng)絡(luò)憑借其捕獲高級(jí)語義信息的能力在道路分割方面取得了顯著進(jìn)展，但仍存在一些問題。首先，目前較多方法仍缺乏對(duì)不同層級(jí)特征的充分利用，對(duì)道路的上下文信息的捕獲能力有限；其次，網(wǎng)絡(luò)所采用的卷積核多呈方形，而道路多表現(xiàn)為大跨度的狹長連續(xù)區(qū)域，因此不可避免地引入了較多不相關(guān)的上下文信息。

為進(jìn)一步提高道路提取的準(zhǔn)確性，設(shè)計(jì)了一種基于UNet改進(jìn)的結(jié)合多尺度特征提取與注意力聚合的遙感影像道路提取方法(MSUNet)。首先，考慮到UNet中的跳躍連接僅融合了當(dāng)前階段的特征信息，缺少對(duì)不同層級(jí)特征的利用，因此設(shè)計(jì)一種結(jié)合多尺度注意聚合MSAA (Multi Scale Attention Aggregation)的跳躍連接方法，使深層特征在跳躍連接階段有效地融合淺層信息，減少道路細(xì)節(jié)特征的損失。其次，在編解碼器的中心引入多尺度特征提取MSFE (Multi Scale Feature Extraction)模塊，在空洞卷積操作之前加入條形卷積，減少像素特征的損失，擴(kuò)大網(wǎng)絡(luò)的感受野并增強(qiáng)道路的語義信息。最后，采用BCE損失和Dice損失組合損失函數(shù)改善由于樣本類別不均衡對(duì)模型造成的影響。

主要圖表

圖1 UNet網(wǎng)絡(luò)架構(gòu)

圖2 MSUNet網(wǎng)絡(luò)結(jié)構(gòu)

圖3 多尺度注意聚合模塊

圖4 空間注意力模塊

圖5 通道注意力模塊

圖6 多尺度特征提取模塊

實(shí)驗(yàn)環(huán)境為Python 3.8,使用PyTorch深度學(xué)習(xí)框架進(jìn)行搭建，在單個(gè)NVIDIA GeForce RTX 4090圖形圖像處理單元（GPU）上實(shí)現(xiàn)。實(shí)驗(yàn)的訓(xùn)練批處理大小batch_size設(shè)置為16，初始學(xué)習(xí)率設(shè)為2×10??，采用按比例縮放學(xué)習(xí)率策略來動(dòng)態(tài)調(diào)整學(xué)習(xí)率，使用Adam優(yōu)化器來優(yōu)化權(quán)重更新。在訓(xùn)練過程中，所有網(wǎng)絡(luò)模型默認(rèn)采用Xavier初始化方法用以加速模型收斂速度。此外，為有效擴(kuò)充數(shù)據(jù)樣本，在訓(xùn)練前對(duì)原始影像及標(biāo)簽隨機(jī)進(jìn)行旋轉(zhuǎn)、水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)等數(shù)據(jù)增強(qiáng)操作。在對(duì)比實(shí)驗(yàn)中，所有網(wǎng)絡(luò)模型均采用相同的隨機(jī)數(shù)種子以確保實(shí)驗(yàn)條件的一致性，最大程度地減少因隨機(jī)性帶來的不確定因素。

圖7 Massachusetts Roads數(shù)據(jù)集不同模型分割效果

圖8 吉林一號(hào)光學(xué)A星道路數(shù)據(jù)集不同模型分割效果

結(jié)束語

針對(duì)遙感影像中背景特征復(fù)雜多樣導(dǎo)致狹長的道路提取效果不佳的問題，提出一種改進(jìn)于UNet的結(jié)合多尺度特征提取與注意力聚合的高分辨率遙感影像道路提取方法MSUNet。該方法考慮到道路的空間幾何特性，引入條形卷積進(jìn)行多尺度特征提取，解決空洞卷積中的特征損失問題；并提出改進(jìn)的多尺度注意聚合模塊優(yōu)化跳躍連接方式，重點(diǎn)關(guān)注道路的結(jié)構(gòu)特征，減少復(fù)雜背景的干擾。在Massachusetts道路數(shù)據(jù)集和自主標(biāo)注的吉林一號(hào)光學(xué)A星道路數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，本文所提方法在細(xì)小道路分支上的提取效果明顯，同時(shí)道路預(yù)測(cè)的完整性較好，各項(xiàng)性能指標(biāo)表現(xiàn)優(yōu)異。但該方法在提取與周圍環(huán)境顏色差異小的道路分支時(shí)仍存在一定的難度。

未來考慮采用更先進(jìn)的網(wǎng)絡(luò)架構(gòu)來改善道路提取的性能；同時(shí)，考慮到移動(dòng)端設(shè)備場(chǎng)景下的應(yīng)用需求，針對(duì)如何實(shí)現(xiàn)模型的精度與效率之間的平衡進(jìn)行下一步的研究。

來源：測(cè)繪科學(xué)技術(shù)學(xué)報(bào) 轉(zhuǎn)自：測(cè)繪學(xué)術(shù)資訊