面向多源数据地物提取的遥感知识感知与多尺度特征融合网络

作者：龚健雅; 张展^*; 贾浩巍; 周桓; 赵元昕; 熊汉江

来源：武汉大学学报(信息科学版), 2022, 47(10): 1546-1554.

DOI：10.13203/j.whugis20220580

• 高分影像
• 三维激光雷达
• 地物提取
• 全卷积神经网络
• 遥感知识
• 多尺度特征

遥感地物自动提取是遥感智能解译中的关键问题，对空间信息的理解和知识发现具有重要意义。近年来，使用全卷积神经网络（fully convolutional networks, FCN）从高分影像和三维激光雷达（light detection and ranging, LiDAR）数据中提取地物信息因取得了较好效果而受到广泛关注。现有FCN网络在地物提取精度和效率等方面仍存在不足，由此提出一种基于多源数据的遥感知识感知与多尺度特征融合网络（knowledge-aware and multi-scale feature fusion network, KMFNet）。在网络编码器端融入遥感知识感知模块（knowledge-aware module, KAM），高效挖掘多源遥感数据中的遥感知识信息；在网络编码器和解码器之间添加了串并联混合空洞卷积模块（series-parallel hybrid convolution module, SPHCM），提高网络对地物多尺度特征的学习能力；在解码器端使用了渐进式多层特征融合策略，细化最终的地物分类结果。基于公开的ISPRS语义分割标准数据集，在LuoJiaNET遥感智能解译开源深度学习框架上将KMFNet与当前主流方法进行了对比。实验结果表明，所提方法提取出的地物更为完整，细节更加精确。

• 单位
  武汉大学测绘遥感信息工程国家重点实验室; 武汉大学