用于从航空和卫星图像中自动提取建筑物的规模鲁棒卷积神经网络

原名：A scale robust convolutional neural network for automatic building extraction from aerial and satellite imagery

下载地址：https://www.tandfonline.com/doi/pdf/10.1080/01431161.2018.1528024?needAccess=true

一、技术路线

文章提出新的CNN模型如下创新所示。

二、创新点及小技巧

1、模型创新

在完全卷积网络的基础上，在解码步骤的前两个最低尺度层分别引入了两个Atrous卷积（deeplabV3+提出），每个Atrous层包含四个3×3 Atrous卷积，速率分别为r  = 1、6、12 和18，以及一个1×1卷积。旨在扩大视野并整合大型建筑物的语义信息。然后，应用多尺度聚合策略。每个比例尺的最后一个特征图用于预测相应的建筑标签，并进一步上采样至原始比例尺并串联以进行最终预测。

2、小技巧

三、深度学习数据集及精度评价

1、航空和卫星数据集，称为WHU Building数据集（Ji，Wei和Meng 2018）（http://study.rsgis.whu.edu.cn/pages/download/），将整个图像和相应的矢量形状文件无缝裁剪为地面分辨率为0.3 m的8189 512×512瓦片。蓝色框中的区域包含130,000栋建筑物，用于培训；黄色框中的区域包含14,500栋建筑物，用于验证；红色框中的其余区域，包含42,000栋建筑物，用于测试。

2、结果表明，与最新的DeepLabv3 +和C-Unet相比，IoU改进了1.8％，与U-net，FCN-8s和2-Scale FCN相比，分别提高了2.1％，3.5％和18.8％。