融合混合注意力机制与多尺度特征增强的高分影像建筑物提取

doi:10.6046/zrzyyg.2023146

融合混合注意力机制与多尺度特征增强的高分影像建筑物提取

曲海成^,, 梁旭^,

辽宁工程技术大学软件学院,葫芦岛 125105

Building extraction from high-resolution images using a hybrid attention mechanism combined with multi-scale feature enhancement

QU Haicheng^,, LIANG Xu^,

College of Software, Liaoning Technical University, Huludao 125105, China

通讯作者: 梁旭(1998-),男,硕士研究生,主要研究方向为数字图像处理与模式识别。Email:15047728650@163.com。

责任编辑: 张仙

收稿日期: 2023-05-23 修回日期: 2023-09-2

基金资助:

国家自然科学基金面上项目“面向数据特性保持的高光谱影像高效压缩方法研究”(42271409)
辽宁省高等学校基本科研项目“基于脉冲混合神经网络的高效能目标检测”(LJKMZ20220699)

Received: 2023-05-23 Revised: 2023-09-2

作者简介 About authors

曲海成(1981-),男,博士,副教授,主要研究方向为遥感图像高性能计算、智能大数据处理等。Email: quhaicheng@lntu.edu.cn。

摘要

由于复杂背景变换和建筑物形状多样化等因素影响,从高分辨率遥感图像中准确提取建筑物信息面临着挑战。该文提出了一种融合混合注意力机制与多尺度特征增强的高分辨率建筑物语义分割网络(building mining net,BMNet)。首先,编码器部分使用VGG-16作为主干网络来提取特征,得到4层特征表示; 然后设计解码器用于解决多尺度信息中高层特征的细节信息丢失问题,引入了混合通道注意力和空间注意力的串联注意力机制(series attention module,SAM),增强高层特征的表示能力; 同时,设计了一种渐进式特征增强的建筑物信息挖掘模块(building mining module,BMM),进一步提高建筑物分割的准确性。BMM把上采样后的特征映射、经过SAM处理的特征映射以及初始预测结果作为输入,获取背景噪声信息,并利用所设计的上下文信息探索模块滤除背景信息,在经过多次BMM处理后得到最佳预测结果。对比实验结果表明: BMNet在武汉大学建筑数据集上精度和交并比分别优于U-net 4.6%和4.8%,在马萨诸塞州建筑数据集和Inria航空图像标注数据集上精度和交并比分别优于U-net 7.9%,8.9%和6.7%,11.0%,验证了所提模型的有效性以及实用性。

关键词： 语义分割; 高分辨率遥感影像; 建筑物提取; U-net; 注意力机制; 空洞卷积

Abstract

Accurately extracting building information from high-resolution remote sensing images faces challenges due to complex background transformations and the diversity of building shapes. This study developed a high-resolution building semantic segmentation network-building mining net (BMNet), which integrated a hybrid attention mechanism with multi-scale feature enhancement. First, the encoder utilized VGG-16 as the backbone network to extract features, obtaining four layers of feature representations. Then, a decoder was designed to address the issue of detail loss in high-layer features within multi-scale information. Specifically, a series attention module (SAM), which combined channel attention and spatial attention, was introduced to enhance the representation capabilities of high-layer features. Additionally, the building mining module(BMM) with progressive feature enhancement was designed to further improve the accuracy of building segmentation. With the upsampled feature mapping, the feature mapping post-processed using SAM, and initial prediction results as input, the BMM output background noise information and then filtered out background information using the context information exploration module designed in this study. Optimal prediction results were achieved after multiple processing using the BMM. Comparative experiment results indicate that the BMNet outperformed U-Net, with accuracy and intersection over union (IoU) increasing by 4.6% and 4.8%, respectively on the WHU Building dataset, by 7.9% and 8.9%, respectively on the Massachusetts buildings dataset, and by 6.7% and 11.0%, respectively on the Inria Aerial Image Labeling Dataset. These results validate the effectiveness and practicality of the proposed model.

Keywords： semantic segmentation; high spatial resolution remote sensing image; building information extraction; U-net; attention mechanism; dilated convolution

PDF (13511KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

曲海成, 梁旭. 融合混合注意力机制与多尺度特征增强的高分影像建筑物提取[J]. 自然资源遥感, 2024, 36(4): 107-116 doi:10.6046/zrzyyg.2023146

QU Haicheng, LIANG Xu. Building extraction from high-resolution images using a hybrid attention mechanism combined with multi-scale feature enhancement[J]. Remote Sensing for Land & Resources, 2024, 36(4): 107-116 doi:10.6046/zrzyyg.2023146

0 引言

遥感影像建筑物识别和分割在城市规划、城市变化监测、土地资源管理、地质灾害监控和国防安全等方面具有重要意义^[1⇓⇓-4]。通过识别和提取高分辨率遥感图像中的建筑物,可以为城乡规划和管理、土地资源勘查与评估、地质灾害监控、军事情报分析等提供精确的空间信息支持,从而满足决策制定、资源管理和国防安全等领域的需要。

遥感影像建筑物分割的本质是建立起遥感影像与待分割的建筑物目标之间的映射模型,在此过程中需要对输入遥感影像进行特征提取,构建高效的特征空间。目前,用于遥感影像建筑物特征提取的传统方法可以分为基于形状^[5]、基于支持向量机^[6](support vector machine,SVM)和基于随机森林分类器^[7]的方法。基于形状的方法在处理复杂建筑物形状时可能存在困难; 基于SVM的方法在处理建筑物和非建筑物样本数量不平衡的数据时,容易倾向于预测样本数量较多的类别,从而降低对少数类别的预测精度,进而影响整体精度; 当特征数量很高时,随机森林分类器可能会出现过拟合的问题。此外,这些传统方法对于中低分辨率、信息量少且简单的遥感影像虽然有较好的检测效果,但随着遥感影像分辨率的提高,所包含的信息量增大,这些传统方法的误检率和漏检率都会增大。当前在高分辨率遥感影像目标识别和分割领域中,深度神经网络的研究和应用也愈发广泛。Wang等^[8]利用全卷积神经网络(fully convolutional network,FCN)对遥感影像进行处理,从而实现了对水域、建筑物以及植被的分类识别,虽然FCN可以通过端到端的训练和推断,避免了手工操作,从而简化了建筑物提取的流程,但是仅利用卷积操作会导致边缘模糊和细节信息丢失,导致语义信息不够准确,难以准确提取建筑物边缘和细节; 在该领域中,具有代表性的模型有U-net^[9]和Deeplab^[10]系列等。其中,U-net模型由Ronneberger等^[9]在2015年提出,由对称的编码器和解码器结构组成,U-net中的跳跃连接可以捕捉更多的上下文信息,从而提高图像分割的准确性,但是对于对于遥感图像中存在的光照变化、背景遮挡等情况的适应性较弱,会导致分割效果不佳; Chen等^[10]提出的DeepLab系列采用空白金字塔池化(atrous spatial pyramid pooling,ASPP)模块对目标进行多尺度的特征提取,利用解码器融合不同尺度的特征进行精细分割,但在高分辨率遥感图像的分割任务中仍存在细节丢失严重等问题; Fu等^[11]提出了一个名为双重注意力网络(dual attention network,DANet)的模型,用于解决场景分割任务,该模型基于双重注意力机制,能够捕捉丰富的上下文依赖关系; 2022年,金澍等^[12]提出了一种引入卷积块注意力模块和ASPP的MA-Unet,该网络通过加强建筑物特征和获取建筑物更精细的边缘特征提高了建筑物的分割精度; Yu等^[13]将一系列注意力门控模块与单个U-net网络集成在一起,抑制输入图像中无关和嘈杂的特征响应,提高了提取精度,但是仅引入注意力机制并不能更好地关注小目标建筑物; He等^[14]提出了一种用于遥感图像语义分割的新型框架,名为ST-UNet,该框架将Swin Transformer嵌入传统的基于CNN的U-net模型中,以获得全局上下文信息,同时克服了传统CNN在直接获取全局上下文方面的困难。此外,遥感影像建筑物分割是一种像素级的语义分割任务,现有基于深度学习的遥感影像分割方法在对目标进行分割时,存在像素关联度低、特征细节信息丢失等问题,从而出现误分割、分割边界不连续的结果^{[15⇓⇓-18]}。在实际应用中,建筑物提取存在以下难点: 首先,遥感图像的复杂性是建筑物提取的难点之一,遥感图像中不仅包含建筑物本身的信息,还包含了各种地物和环境的干扰信息; 其次,建筑物的多样性也是建筑物提取的难点之一; 另外,建筑物的遮挡和重叠也是建筑物提取的难点。

本文基于U-net网络提出融合混合注意力机制与多尺度特征增强的高分辨率遥感影像建筑物分割模型(building mining net,BMNet)。为使模型具备一定的鲁棒性和适应性,能够处理各种类型的建筑物,适应不同的背景复杂度,在网络中加入串联型注意力机制。然后,在网络中增设建筑物信息挖掘模块(building mining module,BMM),对背景噪声进行滤除,降低建筑物周围复杂背景信息对前景建筑物特征信息的干扰,以优化建筑物边缘结构; 提出上下文信息探索模块(context exploration block,CEB),引入不同尺度的空洞卷积以丰富模型感受野,提高对小型建筑物的特征提取能力。

1 建筑物提取网络模型

1.1 BMNet整体结构设计

将传统的U-net网络直接应用于遥感影像建筑物分割任务中会存在一些不足: 小建筑目标受像素点数量影响分割效果不佳; 建筑物前景与复杂背景之间通常存在粘连关系,这会导致建筑物前景特征提取存在干扰和噪声,进而影响模型对遥感影像中建筑物分割的最终效果。因此,本文构建了一个用于高分遥感影像的建筑物分割网络模型BMNet,其整体结构如图1所示。首先,本文使用预训练的VGG16-BN模型,将其分为5个部分。其中,第一部分为输入层,接下来是4个下采样层,每个层的输出通道数逐渐增加。在最后一层下采样层引入串联型注意力模块,以增强第4个下采样层的输出。接着,使用3个BMM将相邻2个下采样层间的特征进行融合和处理。每个BMM模块将当前下采样层的输入特征、下一层模块的输出以及对应的下采样层特征进行融合,生成新的特征图和提取结果。最后,使用双线性插值将每个下采样层的输出进行上采样,得到与原始图像相同大小的预测结果。模型的输出包括Predict4,Predict3,Predict2和Predict1,分别表示下采样层4,3,2和1的预测结果。其中,通道注意力模块用于增强特征通道之间的相关性,空间注意力模块则用于增强特征之间的空间位置相关性,二者均有助于提高模型性能。建筑物挖掘模块允许模型从多个层次获取不同抽象级别的特征,并将它们融合在一起,以生成更有意义的特征表示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 BMNet网络结构图

Fig.1 BMNet network structure

1.2 串联型混合注意力模块

为了提高建筑物提取模型的精度、效率和鲁棒性,本文引入了串联型混合注意力模块^[19⇓-21],先应用通道注意力,再进行空间注意力处理,从而在网络中引入了多层次的注意力机制,增强了网络对输入图像的建模能力。混合注意力模块设计如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 混合注意力模块

Fig.2 Mixed attention module

通道注意力模块旨在通过计算输入图像各个通道的权重来提高特征表示能力。借助通道注意力,可以提高深度学习网络提取特征的性能,使其能够更好地理解输入图像并提取更有意义的特征。

通道注意力机制的具体实现步骤如下: 首先,分别通过全局平均池化(global average pooling,GAP)和全局最大池化(global max pooling,GMP)将 $H \times W \times C$ 的输入图像压缩为 $1 \times 1 \times C$ 大小的通道响应值。该过程将全局空间信息转化为通道响应值,减少网络参数量,防止过拟合。接下来,通过2个全连接网络获得注意力权重矩阵,这些权重矩阵用于表示不同通道的重要性,反映了包含关键信息的通道,这些通道会得到更多的关注。最后,将得到的注意力权重矩阵与原始特征图进行逐元素乘法运算,得到校准后的注意力特征图。假设通道注意力模块的输入为F,输出为F_c,实现过程如图3所示。每一步输出特征的计算方式为:

(1)

F_{m a x} = C o n v_{1 \times 1} (G M P (F))

(2)

F_{m e a n} = C o n v_{1 \times 1} (G A P (F))

(3)

F_{f u s i o n} = F_{m a x} + F_{m e a n}

(4)

F_{c} = S i g m o i d (C o n v_{1 \times 1} (F_{f u s i o n}) \times F)

式中: $C o n v_{1 \times 1}$ 为卷积核大小为1的卷积操作; $S i g m o i d$ 为非线性激活函数,将输出映射到0~1之间。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 通道注意力模块

Fig.3 Channel attention module

空间注意力机制的目的关注输入特征图中的空间位置,以找到关键信息在图像上的位置。通道注意力机制主要关注不同通道上的特征权重,而空间注意力机制则通过对通道注意力权重的引导,进一步关注特定位置上的信息聚集情况。

空间注意力的具体实现步骤如下: 首先沿着通道轴应用平均池化和最大池化操作,将它们连接起来生成一个有效的特征描述符。这一步骤旨在通过对不同通道之间的数值进行比较,而非同一通道不同区域的数值,得到一个能够描述通道之间关联性的特征描述符。接下来,将这个特征描述符送入一个卷积网络进行卷积操作,并通过激活函数得到最终的空间注意力特征图。这一过程通过对输入特征图中不同位置的信息进行加权融合,从而确定关键信息在图像上的位置分布,以提高网络的特征表示能力。假设空间注意力模块的输入为F_c,输出为F_s,实现过程如图4所示。每一步输出特征的计算方式为:

(5)

F_{m a x} = L M P (F_{c}, d i m = 1)

(6)

F_{m e a n} = L A P (F_{c}, d i m = 1)

(7)

F_{f u s i o n} = C o n c a t (F_{m a x}, F_{m e a n})

(8)

F_{s} = S i g m o i d (C o n v_{1 \times 1} (F_{f u s i o n}) \times F)

式中: $L M P$ 为在通道维度上进行最大池化操作; $L A P$ 为在通道维度上进行平均池化操作; $d i m$ 为在数据指定维度上执行操作; $C o n c a t$ 为拼接操作。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 空间注意力模块

Fig.4 Spatial attention module

1.3 建筑物信息挖掘模块

由于建筑物周围经常存在大量的背景干扰,如树木、道路遮挡等,经典模型对于建筑物前景和背景的划分不够清晰,难以准确地分离出建筑物,导致误检率提升,因此本文进行了如下操作: 对高层预测结果中的前景(接近1)与背景(接近0)进行 $S i g m o i d$ 操作,用1减去 $S i g m o i d$ 后的结果,并与上采样后的高层特征 $F_{h}^{u p}$ 相乘,得到背景噪声特征 ${F^{b}}_{l}$ ; 接着引入CEB模块丰富背景噪声特征的感受野和上下文信息,通过可学习参数 $α$ 自适应地滤除低层特征中的背景信息,得到鲁棒和清晰的特征表示,从而获得更精细的建筑物分割图。假设输入低层特征F_l,高层特征F_h,高层预测结果P_h,输出融合特征F_refine和更精细的分割结果P_l,则各层特征及分割结果的计算方式如下:

(9)

F_{h}^{u p} = U p s a m p l e (C o n v_{7 \times 7} (F_{h}))

(10)

P_{h}^{u p} = U p s a m p l e (S i g m o i d (P_{h}))

(11)

F_{l}^{b} = C E B ((1 - P_{h}^{u p}) \times F_{l})

(12)

F_{r e f i n e} = R e l u (B N (F_{h}^{u p} - α \times {F^{b}}_{l}))

(13)

P_{l} = C o n v_{3 \times 3} (F_{r e f i n e})

式中: 角标up为上采样操作; $B N$ 为批归一化(batch normalization)操作; $R e l u$ 为修正线性单元操作。

BMM模块的具体框架如图5所示,图中d表示卷积操作中的膨胀率,用于控制卷积核的感受野大小。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 建筑物挖掘模块结构图

Fig.5 Building mining module structure

为了使模型更加关注小建筑物目标,CEB模块采用多个尺度分支并应用了空洞卷积,包含4个不同采样率的空洞卷积层,分别为1,2,4和8,以获得不同大小的感受野。这些分支通过通道维度实现多尺度的特征融合。通过CEB模块,模型能够获取对多尺度上下文信息感知的特征表示能力。假设输入特征F,则输出F_ceb,如图5所示; 每一个分支(branch)b1,b2,b3,b4的输出计算公式为:

(14)

F_{b 1} = C o n v_{3 \times 3}^{d = 1} (C o n v_{1 \times 1} (C o n v_{1 \times 1} (F)))

(15)

F_{b 2} = C o n v_{3 \times 3}^{d = 2} (C o n v_{1 \times 1} (F) + F_{b 1})

(16)

F_{b 3} = C o n v_{3 \times 3}^{d = 4} (C o n v_{5 \times 5} (C o n v_{1 \times 1} (F) + F_{b 2}))

(17)

F_{b 4} = C o n v_{3 \times 3}^{d = 8} (C o n v_{7 \times 7} (C o n v_{1 \times 1} (F) + F_{b 3}))

(18)

F_{c e b} = C o n v_{1 \times 1} (C o n c a t (F_{b 1}, F_{b 2}, F_{b 3}, F_{b 4}))

。

1.4 损失函数

本文采用交叉熵损失作为损失函数。一般损失函数对自变量求偏导的结果中带有Sigmoid导数因子项,而当自变量值较大时,Sigmoid导数值会趋向0,这样整个梯度会变得很小,从而在使用梯度下降法更新自变量时,迭代速度变慢,导致难以收敛或者发散,进而导致模型无法在早期阶段达到最优值。而交叉熵损失函数求导后不带Sigmoid函数导数项,梯度下降时更新很快,从而能够较早达到最优结果,加速模型的收敛速度。

为保证实验的公平性和可行性,损失函数计算公式为:

(19)

L o s s = - \frac{1}{M} [\overset{M}{\sum_{i = 1}} \overset{N}{\sum_{j = 1}} p_{i j} l n (q_{i j})]

式中: M为样本总数; N为类别数量; p_ij为第i个样本属于第j个类别的概率; q_ij为模型预测的第i个样本属于第j个类别的概率。

2 实验结果与分析

2.1 数据集及评价指标

为了评估提出的BMNet的性能,综合考虑了3个公开的建筑数据集进行实验,包括武汉大学建筑数据集(https://study.rsgis.whu.edu.cn/pages/download/building_dataset.html)、马萨诸塞州建筑数据集(https://www.cs.toronto.edu/~vmnih/data/)和Inria航空图像标注数据集(https://project.inria.fr/aerialimagelabeling/)。

1)武汉大学建筑数据集^[22]由航空影像数据集和卫星数据集2个子集组成,本实验中仅使用航空影像数据集,航空影像取自海拔0.075 m空间分辨率和450 km²覆盖土地,来自新西兰的新基督城。该数据集被裁剪为8 188个图块,训练集数量为4 736(包含130 500座建筑物),验证集数量为1 036(包含14 500座建筑物),测试集为2 416(包含42 000座建筑物)。每个图块的大小为512像素×512像素。

2)马萨诸塞州建筑数据集由波士顿地区的151张航空影像组成,每张影像均为1 500像素×1 500像素,面积为2.25 km²,覆盖面积约340 km²,地面官方数据被拆分为包含137张图像的训练集、包含10张图像的测试集和包含4张图像的验证集,为了使模型在此数据集有更好的泛化性能,采用垂直翻转和水平翻转等数据增强技术扩展了训练集,扩展后的训练集含400张图像。数据集涉及城市和郊区场景,建筑物的大小、形状、纹理和颜色都各不相同,因此这个数据集非常具有挑战性,适合用来验证模型的有效性。

3)Inria航空图像标注数据集^[23]包含5个不同的城市定居点的不同建筑物和非建筑物图像,每个区域包含180张高分辨率航空图像,覆盖区域从人口密集的地区(旧金山的金融区)到高山城镇(奥地利蒂罗尔的利恩茨)。原始图像大小为5 000像素×5 000像素,为了满足计算机计算需求,首先将每张原始图像转换为RGB格式,将图片填充为5 120像素×5 120像素大小,然后将它们分割成尺寸为512像素×512像素的小块,并将符合条件(即建筑物类别像素占比不低于5%)的小块作为实验数据集,最终将9 695张作为训练集,1 945张作为验证集,1 545张作为测试集。

本文选择通用的交并比(intersection over union,IOU)、正样品分类精度(Precision)、正样品召回率(Recall)和F1分数(F1)来评估网络模型的性能,公式为:

(20)

I o U = \frac{| A ⋂ B |}{| A ⋃ B |} = \frac{T P}{T P + F P + F N}

(21)

P r e c i s i o n = \frac{T P}{T P + F P}

(22)

R e c a l l = \frac{T P}{T P + F N}

(23)

F 1 = \frac{2 \cdot P r e c i s i o n \cdot R e c a l l}{R e c a l l + P r e c i s i o n}

式中: TP为判断正样本正确的数量; FP为将正确

的负样本判断为正样本; FN为将正确的正样本判断为负样本; IoU为预测结果与真实标签之间交集与并集之间的比值,IoU值越大,目标分割精度越大; F1为Precision和Recall的调和平均数,F1值越大,分类模型性能越好。

2.2 实验设置

本实验训练测试环境基于Pytorch框架,版本为Pytorch1.8.1,CUDA11.1,采用AdamW优化器,采用余弦退火和热重启学习率优化策略训练所有模型,采用随机垂直或水平旋转进行数据增强。首先对武汉大学建筑数据集进行训练,初始学习率为0.001,batch size设置为8,epoch设置为150。对于马萨诸塞州的建筑数据集和Inria航空图像标记数据集,使用在武汉大学建筑数据集上训练得到的权重进行微调,学习速率调整为0.000 5。在测试阶段,采用了测试时间增强策略,对图片进行翻转操作。

硬件环境为: 操作系统Ubuntu18.04,处理器为NTEL Intel Xeon Gold 5218R,显卡为英伟达RTX3090,内存为32 G。

2.3 消融实验及分析

为了验证所提出的BMNet 模型各模块的有效性,在Inria航空图像标注数据集上开展了消融实验。消融实验主要从分割结果的IoU,Precision,Recall,F1等指标在不同组合模型上进行对比,各组合模型的相关参数设置和训练策略均保持一致,本文选择带有VGG-NET编码器的U-net作为基线,直接用图像和建筑物标签训练。所有对比模型输入图像分辨率为512像素×512像素。表1列出网络各组合模型的配置与说明,消融实验对比结果见表2。

表1 BMNet模型组合结构

Tab.1 Combination structure of BMNet

网络组合模块	说明
BM-0	基线: 为仅使用VGG-16作为主干的U-net网络
BM-1	基线+空间注意力模块(SA)
BM-2	基线+空间注意力模块+通道注意力模块(SA+CA)
BM-3	基线+ SA+CA +BMM(不添加CEB模块)
BM-4	基线+ SA+CA +BMM(添加CEB模块)
BM-5	基线+通道注意力模块(CA)
BM-6	基线+ CA+BMM(不添加CEB)
BM-7	基线+ CA+BMM(添加CEB)
BM-8	基线+ SA+BMM(不添加CEB)
BM-9	基线+ SA+BMM(添加CEB)
BM-10	基线+BMM(不添加CEB)
BM-11	基线+BMM(添加CEB)

新窗口打开| 下载CSV

表2 消融实验结果

Tab.2 Results of ablation experiment(%)

网络组合模块	IoU	F1	Precision	Recall
BM-0	71.40	83.33	84.60	82.10
BM-1	72.67	86.96	89.36	84.68
BM-2	74.51	88.60	90.68	86.62
BM-3	79.78	89.35	91.35	87.44
BM-4	81.93	90.07	91.78	88.41
BM-5	73.28	85.06	85.96	84.17
BM-6	78.51	85.72	86.54	84.92
BM-7	80.66	86.45	87.02	85.88
BM-8	77.94	87.66	90.10	85.35
BM-9	80.09	87.30	88.92	85.74
BM-10	76.67	84.91	86.32	83.55
BM-11	78.82	85.69	86.79	84.62

新窗口打开| 下载CSV

由表2数据可知,在加入了空间、通道混合注意力机制以及BMM后,基线网络的性能得到了显著提升。具体而言,BM-1在IoU,F1,Precision,Recall这4个指标上比BM-0提高了1.78%~5.63%; BM-2在4个指标上比BM-0提高了4.36%~7.19%; BM-3在IoU指标上比BM-0提高了11.74%; BM-4比BM-0在4个指标上平均提高了9.76%。此外,从BM-6/7,BM-8/9,BM-10/11的对比结果中验证了CEB模块的有效性。BM-1与BM-5的实验对比结果可以看出,空间注意力和通道注意力对模型的影响不相上下,但与BM-2的对比结果可以看出,空间注意力与通道注意力结合时,模型能够获得更好的性能。表2的结果进一步验证了本文所提出的方法的有效性和优越性。结果表明,混合注意力机制可以集中网络的注意力于重要区域,同时强化有用特征,减少无用信息,从而提高网络对于图像特征的感知和理解能力。BMM通过调整空洞卷积中的空洞数目,可以实现多尺度特征提取,从而使得网络可以同时关注不同尺度的特征,使模型的特征提取能力进一步增强。

图6为消融实验生成的中间结果图,即特征热图。从图(e)中可以看出前景(建筑物)和背景特征并不明显,较为粗略; 而图(h)中可以明显地看出,相比较基线的分割预测结果(e)更为精细。此结果得益于BMM对前景与背景特征的加强,CEB模块中空洞卷积可以增加特征图中的采样点数目,从而可以更好地提取图像的细节特征。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 消融实验中间结果图(特征图)

Fig.6 Figures of intermediate results of ablation experiment

2.4 对比实验及分析

为了验证所提出的BMNet的有效性,本文将BMNet与现有方法在马萨诸塞州建筑数据集、武汉大学建筑数据集和Inria航空建筑数据集上进行了比较。选择经典的分割方法进行对比,并且每个方法在相应数据集上取得较为先进的指标,因此对比方法有U-net^[9],DeepLabV3+^[10],ST-UNet^[14],SwinUperNet^[15],BANet^[16]和STT^[17]。定量分析采用的实验评价指标为交并比(IoU)、F1分数(F1)、精确度(Precision)、召回率(Recall)和参数量(Param)。表3为各类对比方法在武汉大学建筑数据集部分可视化分割结果。红色框表示待分割目标,从图中分割的位置准确性和目标完整性可以看出,本文所提方法在所选的3张图片中均取得了最优的分割效果。

表3 武汉大学建筑数据集定对比实验结果

Tab.3 Qualitative comparison experiment results of WHU Building Dataset

新窗口打开| 下载CSV

上述不同算法在武汉大学建筑数据集上分割结果的各指标定量分析见表4。由表4可知,提出的 BMNet算法IoU为91.73%,Precision为 95.01%,Recall为95.27%,Param为21.34 MB。实验表明: 相较于VGG16-U-net,DeeplabV3+,STT等对比算法,对比指标IoU分别提升了5.54%,2.99%,1.25%; 指标Precision提升了0.17%~5.09%; 指标Recall提升了0.19%~1.00%; 指标F₁分别提升了2.94%,0.97%和0.18%。总体参数量高于U-net和STT,小于DeeplabV3+和ST-Unet。综上所述,与对比算法相比,本文提出的BMNet算法在武汉大学建筑数据集上具有较好的分割效果,且计算参数量都在可接受的范围。但是由于该数据集影像分辨率高,建筑物与其他地物区分比较明显,建筑的边缘比较清晰,所以在可视化对比实验中的各种算法差距不大。

表4 武汉大学建筑数据集定量对比实验结果

Tab.4 Quantitative comparison experiment results of WHU Building Dataset

方法	IoU/%	F1/%	Precision/%	Recall/%	Param/MB
VGG16-U-net	86.91	92.42	90.41	94.52	18.26
DeepLab V3+	89.07	94.23	94.15	94.32	30.61
STT	90.48	94.97	94.85	95.09	21.02
ST-UNet	89.65	—	95.16	—	26.47
BMNet	91.73	95.14	95.01	95.27	21.34

新窗口打开| 下载CSV

表5为各类对比方法在马萨诸塞州建筑数据集上的部分可视化分割结果。从表中可以看出,本文所提方法在所选的3张图片中均取得了最优的分割效果。

表5 马萨诸塞州建筑数据集定性对比实验结果

Tab.5 Qualitative comparison experiment results of Massachusetts Buildings Dataset

新窗口打开| 下载CSV

不同算法在马萨诸塞州建筑数据集上的各指标结果见表6。由表6可知,提出的BMNet算法在马萨诸塞州建筑数据集上的IoU为75.79%,Precision为87.02%,Recall为84.19%,Param为21.34 MB。

表6 马萨诸塞州建筑数据集定量对比实验结果

Tab.6 Quantitative comparison experiment results of Massachusetts Buildings Dataset

方法	IoU/%	F1/%	Precision/%	Recall/%	Param/MB
VGG16-U-net	66.92	80.65	79.15	82.21	18.26
DeepLab V3+	69.16	81.38	83.85	79.05	30.61
BANet	72.20	83.86	83.07	84.66	38.72
ST-UNet	71.26	—	86.49	—	26.47
BMNet	75.79	85.58	87.02	84.19	21.34

新窗口打开| 下载CSV

实验表明,相较于4种对比算法,BMNet在IoU,Precison和F1 3个指标上均有提升。尽管BMNet在Recall上略低于BANet,但都高于其余对比算法。综上所述,与对比算法相比,本文提出的BMNet算法在马萨诸塞州建筑数据集上具有较好的分割效果,且计算参数量都在可接受的范围,并且相比其余对比模型有显著的优势,验证了BMNet模型的鲁棒性和泛化性。

表7为各类对比方法在Inria航空数据集上的可视化分割结果。由表7可知,本文所提方法在Inria航空数据集上具有更好的分割结果,从小建筑物目标到较大建筑物目标的提取结果都更为精细,分割效果更接近人工标注的地面真值。

表7 Inria航空图像数据集定性对比实验结果

Tab.7 Qualitative comparison experiment results of Inria Aerial Image Labeling Dateset

新窗口打开| 下载CSV

表8为Inria航空图像标注数据集定量对比实验结果,从中可以看出,对于Inria航空图像标记数据集,本文所提方法仍然保持了更先进的性能,其IoU为81.93%,F1达到90.06%。

表8 Inria航空图像标注数据集定量对比实验结果

Tab.8 Quantitative comparison experiment results of Inria Aerial Image Labeling Dateset

方法	IoU/%	F1/%	Precision/%	Recall/%	Param/MB
VGG16-U-net	70.92	83.12	85.07	81.26	18.26
DeepLab V3+	74.52	83.47	81.82	85.19	30.61
SwinUperNet	79.37	88.19	87.43	88.96	65.84
ST-UNet	70.14	—	91.36	—	26.47
BMNet	81.93	90.06	91.78	88.41	21.34

新窗口打开| 下载CSV

对于大规模遥感图像分割,有的模型要么结构复杂^[23-24],要么捕获的建筑物语义信息不够丰富^{[25⇓⇓-28]},因此需要建立高效的建筑物提取算法,能够在保证高精度的同时,快速处理大量的遥感图像数据,满足实际应用需求。VGG16中的卷积层使用了非常小的卷积核,并且每个卷积层都有多个通道。这种设计使得模型参数的数量大大减少,从而减少了过拟合的风险。相比于传统的卷积操作,空洞卷积可以在不改变特征图大小的情况下,增加卷积核中的空洞数目,使模型在计算中不增加过多的参数数量。这在大规模的神经网络中尤为重要,因为可以有效地减少模型的复杂度和训练时间。由图7可以看出(蓝色柱状表示参数量,红色折线表示IoU值),本文的方法在满足精度优势的同时,少量增加模型的参数量,可以运用到实际提取任务中。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 模型参数量和IoU数据对比

Fig.7 Comparison graph of parameter count and IoU data

3 结论

与之前的研究工作类似,本文选择经典的U-net网络作为基础网络提出了一个用于高分辨率遥感影像建筑物分割的模型BMNet。

1)通过混合空间、通道注意力提高对各类型建筑物的分割能力,以提高模型的鲁棒性和适应性; 引入建筑物信息挖掘模块BMM,降低与建筑物前景粘连在一起的复杂背景信息对建筑物特征提取的干扰; 结合所设计的上下文信息探索模块CEB对背景噪声进行滤除,通过引入不同尺度的空洞卷积以丰富模型的感受野。

2)与主流方法的对比实验结果表明,本文所提出的模型在武汉大学建筑数据集、马萨诸塞州建筑数据集和Inria航空图像标注数据集上都取得了相对更优的分割性能,对目标分割的准确率高。大量的消融实验也验证了本文所提模型中各个部件的有效性。

但出于对模型实际应用的考量,尤其是在移动端设备上的应用,未来将更多地关注于在保证模型精度的前提下,设计更加轻量化的模型。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

徐宗学, 程涛, 洪思扬, 等.

遥感技术在城市洪涝模拟中的应用进展

[J]. 科学通报, 2018, 63(21):2156-2166.