基于改进Unet++网络的遥感图像建筑物分割方法

于双双 ,  康帅 ,  张建军 ,  靳满 ,  俞叶

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (4) :1607-1615

PDF (13225KB)
科学技术与工程 ›› 2026, Vol. 26 ›› Issue (4) :1607-1615 DOI: 10.12404/j.issn.1671-1815.2500782
自动化技术、计算机技术

基于改进Unet++网络的遥感图像建筑物分割方法

作者信息 +

Remote Sensing Image Building Segmentation Method Based on Improved Unet++ Network

Author information +
文章历史 +

摘要

由于建筑物周围的环境复杂以及建筑物尺度各异，当建筑物尺度较小时，建筑物容易出现漏分割或分割不完整现象，从而导致提取结果的精度降低。为了解决上述困难，提出一种基于Unet++架构的改进模型（REUnet++），通过引入残差网络ResNet34作为编码器结构，从而提升模型的表现。然后在模型内部加入注意力模块SE，增强模型对数据集中重要特征的提取能力。通过在公开数据集xBD上进行实验研究。实验结果表明：REUnet++模型在特征提取和复杂场景分割精度方面均超越现有的其他模型，与Unet++模型相比较，F1得分提升了3.08%，交并比得分增加了4.68%，同时其他相关性能指标也得到了显著提升。最后通过WHU建筑物数据集进一步验证了模型的泛化性能。

Abstract

Due to the complex environment surrounding buildings and the varying scales of buildings，smaller buildings are prone to issues such as incomplete or missed segmentation，which leads to a reduction in the accuracy of extraction results. To address these challenges，an improved model based on the Unet++ architecture （REUnet++） was proposed. This model enhanced performance by incorporating a ResNet34 residual network as the encoder structure. Additionally，an attention module，SE，was integrated into the model to strengthen its ability to extract important features from the dataset. Experiments were conducted on the public xBD dataset. The experimental results demonstrate that the REUnet++ model outperforms existing models in both feature extraction and segmentation accuracy in complex scenarios. Compared to the Unet++ model，the F1 score increases by 3.08%，and the intersection over union score improves by 4.68%，with significant improvements observe in other relevant performance metrics. Finally，the model’s generalization ability was further validated using the WHU building dataset.

Graphical abstract

关键词

遥感图像 / Unet++ / 残差网络 / 注意力模块 / 建筑物提取

Key words

remote sensing images / Unet++ / residual networks / attention module / building extraction

引用本文

引用格式 ▾
于双双, 康帅, 张建军, 靳满, 俞叶. 基于改进Unet++网络的遥感图像建筑物分割方法[J]. 科学技术与工程, 2026, 26(4): 1607-1615 DOI:10.12404/j.issn.1671-1815.2500782
YU Shuang-shuang, KANG Shuai, ZHANG Jian-jun, JIN Man, YU Ye. Remote Sensing Image Building Segmentation Method Based on Improved Unet++ Network[J]. Science Technology and Engineering, 2026, 26(4): 1607-1615 DOI:10.12404/j.issn.1671-1815.2500782

登录浏览全文

4963

注册一个新账户 忘记密码

基于遥感图像[1]的建筑物提取[2]作为一种关键的地表监测手段，能够提供详细的地表特征信息，其应用范围涵盖了城市规划与管理、灾害监测等多个领域，具有重要的意义。传统的图像分割技术有阈值分割法[3]、分水岭算法[4]和聚类方法[5]等。这些方法在处理复杂建筑和不同背景的场景时，往往需要额外的人工干预和后处理，并且由于泛化能力有限，只适用于某些特定的遥感图像。
随着人工智能的发展，基于深度学习[6]的建筑物提取方法在遥感图像领域得到了快速的应用。建筑物提取本质上是像素级的语义分割[7-8]任务，旨在利用分割模型将每个像素分类为建筑物或非建筑物。卷积神经网络[9]（convolutional neural network，CNN）的出现为图像分割领域提出了新的方向，因具有卓越的特征提取能力，最初被广泛应用于各种图像分割任务中。全卷积神经网络[10]（fully convolutional networks，FCN）用于建筑物提取是将传统CNN最后的全连接层换成卷积层，这种修改使FCN能够处理任何大小的输入图像，并产生相同尺寸的输出特征图，从像素级实现了对图像的预测。Sheng等[11]提出的ME-FCN（AMulti-Scale Feature-Enhanced Fully Convolutional Network）方法通过创新的多尺度特征优化机制，有效提升了遥感影像中建筑物轮廓提取的精度和效率。朱俊彬等[12]提出了一个基于VGG-16（Visual Geometry Group 16）的骨架与FCN融合的网络结构，并在每层都加入侧边输出以便直接监督模型学习到更多的有用信息。Chen等[13]提出了一种基于改进FCN的模型，利用3种遥感卫星图像快速提取建筑物，其分割指标交并比（IoU）相对于未改进网络提升了5.22%。Tian等[14]构建一个将生成对抗网络（generative adversarial network，GAN）融入FCN的深度语义分割网络，综合利用全局图像特征，提升了对复杂遥感图像基于像素级的建筑物提取精度。
使用FCN网络做语义分割时，图像中的语义信息在大的感受野条件下可以得到很好的分类结果，但是过大的感受野会丢失边缘细节信息。席裕斌等[15]提出的DeepLab模型，通过用空洞卷积来扩大感受野，同时也尽量避免降低图像分辨率的操作，使图像更容易恢复到原始分辨率大小。苏志鹏等[16]提出在DeepLabV3+模型中引入特征图切分模块和注意力模块，此方法能够提升遥感图像中建筑物边界信息提取的能力。陈经纬等[17]提出一种基于MFF-Deeplabv3+（multiscale feature fusion-Deeplabv3+）网络的高分辨率遥感影像建筑物提取方法，设计了特征增强和特征融合模块，引入了注意力模块，对遥感卫星图像中建筑物和背景的划分有明显的提升，但是不同数据集存在背景、建筑物形状等不同的问题，所提模型并不能一直取得好结果，最后结果仍存在边界信息模糊、小目标分割不精确等问题。
由于处理高分辨率遥感图像需要较高的计算资源，而DeepLab的网络结构比较复杂，所以在捕捉多尺度特征和处理复杂背景时存在一定的局限性。尽管DeepLab在许多标准数据集上表现优秀，但它可能无法很好地适应复杂的、未见过的遥感数据集。相较之下，基于U型网络架构的编码器-解码器结构相对简单，适合资源有限的环境，并且在保留细节信息和精确边界识别方面具有显著优势。Liu等[18]通过在U型网络上引入一种多尺度通道和空间注意力模块以及分层残差连接模块，显著提高了网络对上下文的理解和精细边缘细节的捕捉，获得了更好的建筑物提取效果。厍向阳等[19]针对小目标提取的问题提出了一种遥感图像语义分割算法DU-net，该方法在U-net3+网络基础上，更换了特征提取网络，添加注意力模块，最终实现了对小目标建筑物的精确提取。Chen等[20]为了提高建筑物提取的性能，通过改进Unet编码器中的特征提取方法和增强解码器中的细粒度语义信息，经过大量的对比实验证明了该网络是一种能有效从遥感图像中提取建筑物的方法。岳昱超等[21]提出了一种基于Unet的分割算法。该算法利用两个水平和垂直一维卷积和二维方形卷积的融合替代传统方形卷积，提高了提取区域的表征能力；采用多尺度分支增加特征空间的多样性，提升了网络的特征学习和表达能力。Yu等[22]将注意力门模块与Unet相结合，能够抑制噪声，强调建筑物特征，从而提高图像中小型建筑物的检测。Han等[23]在使用Unet预测建筑物目标时加入边缘提取分支来强调边缘信息，使用自制的建筑数据集、WHU建筑物数据集和马萨诸塞州建筑数据集对该方法进行了评估，结果表明，F1分数比主流分割网络明显更高。
尽管前述各语义分割模型在建筑物提取方面取得了不错的效果，但仍存在一些亟待解决的问题。主要是由于建筑物周围的环境复杂以及建筑物尺度各异，当建筑物尺度较小时，容易出现漏分割或建筑物边缘分割不完整现象，从而导致提取结果的精度降低。因此在前人研究的基础上，提出一种新的建筑物提取模型REUnet++，该模型在Unet++[24]模型基础改进主干网络，引入注意力模块[25]，有效缓解下采样过程中小尺度特征的遗漏，减少细节信息的丢失。并使用两种不同的数据集对该模型进行评估，证明REUnet++在建筑物提取中可以获得更准确的建筑边界信息，实现针对建筑物的高精度语义分割。研究成果为语义分割领域中小尺度特征保留与细节优化提供了可行思路。

1 模型介绍

1.1 整体模型架构

Unet++是一种多用于生物医学图像分割设计的深度学习架构。该模型是对经典的Unet[26]模型的改进，旨在提升Unet在医学图像处理方面的性能，Unet和Unet++网络结构图如图1所示。

本文网络结构在Unet++的基础上进行改进，通过嵌套的跳跃连接和深度监督机制，显著提高了模型在处理复杂图像时的性能。REUnet++将Unet++中主干网络替换为ResNet34[27]，并且在编码器部分引入通道注意力（squeeze-and-excitation，SE）模块，SE可以极大增强模型的特征提取与表达能力，从而显著提高了模型处理语义分割任务的效果。改进的网络结构图如图2所示。

1.2 改进模块介绍

1.2.1 特征编码器

原Unet++网络中的每个特征编码模块由两个卷积层和一个最大池化层组成，而改进后的模型采用ResNet34作为特征编码器，如图3所示，通过引入残差结构，能够有效避免在深层网络中出现的梯度消失问题。这种设计使网络可以在不丧失输入信息的前提下增加网络深度，这对于遥感图像中大尺度地物上下文信息的提取至关重要。同时，ResNet34中的跳跃连接能够帮助网络维持更多的细节信息，这些特征对于精确识别和分割图像中的微小物体非常关键。

1.2.2 通道注意力模块

为了最大限度地提升模型的性能，在编码器部分引入SE模块。如图4所示，SE模块的设计是使其能够在不改变输入和输出尺寸的前提下进行操作，它可以被无缝集成到模型的任何部位，而不需要对其他层进行修改。

本文模型中，将这种模块添加到编码器上残差网络之前的位置，以进一步增强网络对特征的重要性的加权能力，添加方法如图5所示。首先使用通道的全局平均池化，将包含全局信息的W×H×C的特征图直接压缩成一个1×1×C的特征向量，C个特征图的通道特征都被压缩成了一个数值，这样使得生成的通道级统计数据就包含了上下文信息，缓解了通道依赖性的问题。接下来采用了两层全连接构成的门机制，第一个全连接层把C个通道通过缩减系数r压缩成了C/r个通道来降低计算量，再通过一个ReLU非线性激活层。第二个全连接层将通道数恢复为C个通道，然后通过Sigmoid激活函数得到权重，该权重的维度为1×1×C。最后，通过Scale操作，将之前得到的注意力权重应用到每个通道的特征上，生成SE模块的最终输出。

1.3 损失函数设置

为了更好地拟合数据，提高泛化能力，本实验采用混合损失函数，如式（1）所示，由二元交叉熵损失函数BCE Loss和相似系数损失函数Dice Loss这两种组合而成。

L=Lbce+αLDice

式（1）中：Lbce为二元交叉熵损失；LDice为相似系数损失；α为平衡这两种损失的权重，对于α的取值问题，为了使模型获得最优的训练效果，分别取α=0.3、0.5、0.8、1时的混合损失函数作为本网络的损失函数，并在xBD数据集上训练，根据评价结果的得分进行取值。经过验证，当α=0.8时，F1得分最大，网络的精度表现最好。

1.3.1 BCE Loss

BCELoss是用于二分类问题的损失函数，特别适用于概率输出且标签只有两类（通常标记为0和1）的情况。当训练模型去预测一个事件发生的概率时，BCE Loss可以帮助衡量模型预测的概率分布与实际观测标签之间的差距，并以此作为优化模型的依据。对于一批样本，BCE Loss通常是对所有样本的BCE损失求和后除以样本数量（即平均损失），可表示为

Lbce=-$\frac{1}{N}\sum _{i=1}^{N}$[yilnpi+（1-yi）ln（1-pi）]

式（2）中：N为样本数量；yi为第i个样本的真实标签；pi为模型预测的第i个样本为正类的概率。

1.3.2 Dice Loss

Dice Loss是一种在图像分割任务中广泛使用的损失函数，适用于像素级别的二分类或多分类任务，如图像分割。Dice系数是一种用于衡量两个集合相似度的指标，其取值范围为0~1，值越接近1表示重叠程度越高，反之则表示重叠程度越低。Dice Loss是对Dice系数的负数进行最大化（因为优化目标通常是要最小化损失函数），使其能够更好地反映本模型的预测结果与地面真实标签两者之间的相似度，表达式为

LDice=1-$\frac{2TP}{2TP+FP+FN}$

式（3）中：真正类（TP）表示正确预测为正类的像素数；假正类（FP）表示错误预测为正类的像素数；假负类（FN）表示错误预测为负类的像素数。

2 实验数据介绍及处理

2.1 数据集

xBD[28]数据集是针对灾害响应和评估的重要资源，来自Maxar/DigitalGlobe开放数据计划是迄今为止第一个建筑破坏评估数据集，也是带注释的高分辨率卫星图像的大规模、高质量的公共数据集之一。该数据集均是1 024×1 024的高分辨率卫星遥感图像，标记有19种不同的事件，包括地震、洪水、野火、火山爆发等。这些图像包括灾前、灾后图像，图像可用于构建定位和损伤评估这两项任务。xBD数据集中的850 736个人工创建的高质量建筑注释形成了一个强大的训练集，适合用于训练深度学习模型识别和分类建筑物，部分具体细节如图6所示。

2.2 数据预处理

原始数据集在输入网络模型之前，通常需要先进行数据预处理。预处理包括数据增强[29]、标准化图像和去除噪声。基本数据增强方式有翻转、旋转、缩放、裁切、平移等。实验采用在xBD数据集中按照不同环境不同建筑类型的要求随机选取部分图片，每幅图片为1 024像素×1 024像素，使用大小为512像素×512像素的滑动窗口在全局图像与其对应的真值图上进行截取。这一尺寸选择考虑了卷积神经网络输入的典型需求，并确保每个图像块能包含足够的信息量，进行有效的特征学习。将数据按照8∶2随机分为训练集和测试集，训练集包含2 757张图像，测试集687张图像。对图像进行标准化处理，使像素值缩放在[0,1]范围内。可以使得图像数据在进行分析和处理时更加规范化和易于控制，从而有助于提高多种图像处理任务的性能和可靠性。

3 模型训练过程与结果

3.1 实验环境

实验环境基于Windows 11操作系统（64位），使用型号为NVIDIA GeForce RTX 3060的单个GPU，配备16 GB显存。在深度学习框架的选择上，主要依赖PyTorch，并在Anaconda环境下进行配置。

3.2 评价指标

为了验证所提方法的有效性，基于预测值与标签之间的比较应用5个评价指标，即精确率（precision，记为P），召回率（recall，记为R），F1分数（F1-score，记为F1），交并比（intersection over union，IoU）和准确率（accuracy，记为Acc）。P反映模型在处理整个数据集时的准确性；R主要验证模型识别出的正类样本的准确性；F1分数适用于类别不平衡情况下的性能评估，能够平衡召回率和准确率的影响，提供一个更为全面的评价；IoU是用来衡量预测边界框与真实边界框之间重叠程度的指标，IoU的值越高，说明模型对对象的定位越精确；Acc是衡量模型预测正确性的重要标准。这5个评估指标可描述为

P=$\frac{TP}{TP+FP}$×100%
R=$\frac{TP}{FP+FN}$×100%
F1=$\frac{2TP}{2TP+FP+FN}$×100%
IoU=$\frac{TP}{TP+FP+FN}$×100%
Acc=$\frac{TP+TN}{2TP+FP+FN}$×100%

式（8）中：真负类（TN）表示正确预测为负类的像素数。

3.3 模型训练结果

使用REUnet++模型在xBD数据集上进行训练，采用了Kaiming初始化方法，Adam优化器，训练过程中，最低学习率为0.000 1，每个批次的大小设置为2。训练的轮数（epoch）设置为60。这样的设置不仅能够在训练过程中保证训练效率，并且能够充分利用GPU的资源对数据进行加速计算，从而更快地得到训练结果。各类评价指标结果如表1所示。分割结果初步验证REUnet++在图像分割方面具有较好的效果。

4 结果与分析

为了突出基于REUnet++模型在遥感卫星图像建筑物提取中的效果，并探讨其网络结构设计的合理性，设计3种不同的实验对比方案。一是注意力模块效果验证，对添加的注意力模块进行验证，保证模块的适用性和有效性。二是不同模型的对比实验，包括Unet++、FCN、Deeplabv3以及所提出的REUnet++，通过对比实验，可以全面评估REUnet++模型的性能优势。三是WHU数据集验证，目的是验证REUnet++网络在不同数据集上的泛化性。

4.1 注意力模块效果验证

为了评估模型改进的有效性，对注意力模块执行了一系列对比实验。表2展示了有SE模块网络和无SE模块网络的结果对比。实验结果表明，对于Unet++网络，添加SE模块之后，F1分数、召回率、准确率、精确率、交并比分别提升了1.24%、0.82%、0.52%、1.68%、1.84%。对于REUnet++网络来说，SE模块的效果显著，添加SE模块前后，F1分数、召回率、准确率、精确率、交并比相差2.25%、3.29%、0.78%、1.15%、3.44%。这些结果进一步验证了SE模块在提升模型精度方面有积极的作用。

图7展示了模型分割的部分结果，可以看出，Unet++（无SE）网络和Unet++（有SE）网络相比之下，Unet++（有SE）网络误分割现象减少，建筑物边界分割更加清晰。将REUnet++（无SE）网络和REUnet++（有SE）网络进行对比，发现REUnet++（有SE）网络提取的建筑物更加完整，更贴近于地面建筑物。实验证明，SE模块能够有效缓解下采样过程中小尺度特征的遗漏，减少细节信息的丢失，大大增加了网络提取特征的能力。

4.2 对比实验

为了验证REUnet++模型的性能，选取Unet++、FCN和Deeplabv3作为比较网络。使用相同实验数据集进行详细对比分析，结果如表3所示。

从表3的数据可以看出，REUnet++在5个评价指标上都取得了较好的结果。对比其他主流分割网络，F1分数最高提升了7.3%。交并比最高提升了10.48%。结果表明，在高分辨率遥感图像建筑物提取应用中，REUnet++模型具有很好的效果。图8为前述不同网络对建筑物的部分分割结果，通过效果对比分析可以看出，Unet++网络模型存在较多错误判别，这会导致结果准确率的下降。而FCN和Deeplabv3对于建筑物的边缘识别不够准确。所提出的REUnet++模型在目标建筑物的边缘分割方面表现出色，其边界划分更加清晰，可以更好地区分建筑区域和非建筑区域，更贴近实际的地物。通过对预测结果的比较证明了所提出的网络对比其他网络的优越性，可以提取更完整的建筑物。

4.3 WHU数据集验证

为了更好地探索REUnet++模型在不同数据集上的泛化性。采用WHU[30]建筑物数据集进行验证。WHU建筑物数据集是由武汉大学季顺平教授团队制作，数据集是从新西兰的航拍图像中提取的，空间分辨率为0.075 m、覆盖面积为450 km2。表4展示了REUnet++与上文提到的几个网络模型的各个评价指标的对比结果。

根据对比实验结果分析，REUnet++在WHU数据集上表现出很好的泛化性，与表中其它网络模型相比，REUnet++的F1分数分别提升了2.32%，2.15%，3.27%，其他相关指标均有所提升。

部分分割结果如图9所示，在WHU数据集上，Deeplabv3对建筑物的边界提取效果表现最差，只表现出大致轮廓。Unet++和FCN对建筑体提取的效果很接近，但远远不如REUnet++模型的预测结果。更近一步证实REUnet++模型能在不同的数据集上对建筑物准确提取，表现出良好的泛化能力。

5 结论

以Unet++为基础模型，采用残差结构作为编码器，通过在编码器部分集成了通道注意力模块，提出一种用于遥感图像建筑物提取的新型网络模型REUnet++。该网络可以有效缓解下采样过程中小尺度特征的遗漏，减少细节信息的丢失，获得更准确的建筑边界信息，实现对建筑物的高精度语义分割。得出如下主要结论。

（1）通过设计注意力模块效果验证实验，展示有SE模块网络和无SE模块网络的对比，结果预测图显示该模块能够有效提升小目标边缘分割的准确性。

（2）REUnet++模型在xBD数据集上F1分数、召回率、准确率、精确率和交并比分别达到92.25%、91.55%、96.99%、92.96%、86.20%。选取Unet++、FCN以及Deeplabv3作为比较网络，通过目视效果对比分析可以看出，REUnet++模型在目标图像的边缘分割方面表现出色，对于尺度较小的建筑物，有效避免了漏分割或建筑物边缘分割不完整现象，极大地提升了模型分割精度。

（3）探索REUnet++模型在不同数据集上的泛化性，选用WHU建筑物数据集进行验证，F1分数、召回率、准确率、精确率和交并比分别达到93.54%、93.16%、95.80%、93.92%、88.11%，证明该模型具有良好的泛化能力。

（4）尽管本文方法能够获得更准确的建筑边界信息，实现对建筑物的高精度语义分割，但由于不同遥感图像数据集分辨率不同，低分辨率图像的部分建筑物的特征信息与背景太相似，导致分割结果存在差异。接下来的研究将会针对低分辨率图像，对网络结构进一步优化，提高本文方法的建筑物提取能力。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

孙剑明, 赵梦鑫, 郝旭耀. 遥感图像变化检测方法研究综述[J]. 计算机工程与应用, 2024, 60(20): 30-48.
[2]

Sun Jianming, Zhao Mengxin, Hao Xuyao. A review of remotesensing image change detection methods[J]. Computer Engineering and Applications, 2024, 60(20): 30-48.
[3]

杨明旺, 赵丽科, 叶林峰, 等. 基于卷积神经网络的遥感影像建筑物提取方法综述[J]. 地球信息科学学报, 2024, 26(6): 1500-1516.
[4]

Yang Mingwang, Zhao Like, Ye Linfeng, et al. A review of building extraction methods for remote sensing images based on convolutional neural network[J]. Journal of Earth Information Science, 2024, 26(6): 1500-1516.
[5]

李鹏松, 李俊达, 吴良武, 等. 基于阈值分割法和卷积神经网络的图像识别算法[J]. 吉林大学学报(理学版), 2020, 58(6): 1436-1442.
[6]

Li Pengsong, Li Junda, Wu Liangwu, et al. Image recognition algorithm based on thresholdsegmentation method and convolutional neural network[J]. Journal of Jilin University (Science Edition), 2020, 58(6): 1436-1442.
[7]

陈世文. 结合各向异性扩散和分水岭算法的图像分割[J]. 传感技术学报, 2023, 36(10): 1622-1627.
[8]

Chen Shiwen. Image segmentation combining anisotropic diffusion and watershed algorithms[J]. Journal of Sensing Technology, 2023, 36(10): 1622-1627.
[9]

陈玉明, 蔡国强, 卢俊文, 等. 一种邻域粒K均值聚类方法[J]. 控制与决策, 2023, 38(3): 857-864.
[10]

Chen Yuming, Cai Guoqiang, Lu Junwen, et al. A neighborhood granular K-mean clustering method[J]. Control and Decision Making, 2023, 38(3): 857-864.
[11]

郭华. 如何理解“深度学习”[J]. 四川师范大学学报(社会科学版), 2020, 47(1): 89-95.
[12]

Guo Hua. How to understand “deep learning”[J]. Journal of Sichuan Normal University (Social Science Edition), 2020, 47(1): 89-95.
[13]

黄鹏, 郑淇, 梁超, 等. 图像分割方法综述[J]. 武汉大学学报(理学版), 2020, 66(6): 519-531.
[14]

Huang Peng, Zheng Qi, Liang Chao. A review of image segmentation methods[J]. Journal of Wuhan University (Science Edition), 2020, 66(6): 519-531.
[15]

马妍, 古丽米拉·克孜尔别克. 图像语义分割方法在高分辨率遥感影像解译中的研究综述[J]. 计算机科学与探索, 2023, 17(7): 1526-1548.
[16]

Ma Yan Gulimira·Kezierbieke. A review of research on image semantic segmentation methods in high resolution remote sensing image decoding[J]. Computer Science and Exploration, 2023, 17(7): 1526-1548.
[17]

马翔悦, 徐金东, 倪梦莹. 基于多尺度特征模糊卷积神经网络的遥感图像分割[J]. 山东大学学报(工学版), 2024, 54(3): 44-54.
[18]

Ma Xiangyue, Xu Jindong, Ni Mengying. Remote sensing image segmentation based on mult-iscale feature fuzzy convolutional neural network[J]. Journal of Shandong University (Engineering Edition), 2024, 54(3): 44-54.
[19]

Long J, Shwlhamer E, Darrel T. Fully convolutional networks for semantic segmentation[C]// Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2015: 3431-3440.
[20]

Sheng H, Zhang Y, Zhang W, et al. ME-FCN: a multi-scale feature-enhanced fully convolutional network for building footprint extraction[J]. Remote Sensing, 2024, 16(22): 4305.
[21]

朱俊彬, 杜斌, 许世敏. 基于融合多尺度多通道特征的深度监督网络实现裂缝检测[J]. 科学技术与工程, 2024, 24(13): 5595-5603.
[22]

Zhu Junbin, Du Bin, Xu Shimin. Crack detect-ion using deep supervised networks with multi-scale and multi-channel feature fusion[J]. Science Technology and Engineering, 2024, 24(13): 5595-5603.
[23]

Chen G, Tan X, Guo B, et al. SDFCNv2: an improved FCN framework for remote sensing images semantic segmentation[J]. Remote Sensing, 2021, 13(23): 4902.
[24]

Tian L, Zhong X, Chen M. Semantic segmentation of remote sensing image based on GAN and FCN network model[J]. Scientific Programming, 2021, 11: 9491376.
[25]

席裕斌, 赵良军, 宁峰, 等. 基于改进DeepLabV3+的遥感图像分割方法[J]. 现代电子技术, 2024, 47(11): 51-58.
[26]

Xi Yubin, Zhao Liangjun, Ning Feng, et al. Remote sensing image segmentation method based on improved DeepLabV3+[J]. Modern Electronic Technique, 2019, 47(11): 51-58.
[27]

苏志鹏, 李景文, 姜建武, 等. 基于改进DeepLabV3+的遥感影像语义分割方法[J]. 激光与光电子学进展, 2023, 60(6): 359-366.
[28]

Su Zhipeng, Li Jingwen, Jiang Jianwu, et al. Semantie segmentation method for remote sensing images based on improved DeepLabV3+[J]. Laser & Optoelectronics Progress, 2023, 60(6): 359-366.
[29]

Chen J W, Li Y, Chen J, et al. Building extraction method based on MFF-Deeplabv3+ network for high-resolution remote sensing images[J]. Journal of University of Chinese Academy of Sciences, 2024, 41(5): 654-664.
[30]

Liu J, Gu H, Li Z, et al. Multi-scale feature fusion attention network for building extraction in remote sensing images[J]. Electronics, 2024, 13(5): 923.
[31]

厍向阳, 马亦骏. 改进的遥感图像语义分割算法[J]. 计算机工程与科学, 2023, 45(3): 504-511.
[32]

She Xiangyang, Ma Yijun. Improved semantic segmentation algorithm for remote sensing images[J]. Computer Engineering and Science, 2023, 45(3): 504-511.
[33]

Chen T, Mao M, Wu J, et al. SAU-Net: a novel network for building extraction from high resolution remote sensing images by reconstructing fine-grained semantic features[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2024, 9: 6747-6761.
[34]

岳昱超, 王迎美, 秦嘉川. CADCNet: 一种改进的视网膜血管分割算法[J]. 科学技术与工程, 2025, 25(3): 962-968.
[35]

Yue Yuchao, Wang Yingmei, Qin Jiachuan. CADCNet: an improved algorithm for retinal vessel segmentation[J]. Science Technology and Engineering, 2025, 25(3): 962-968.
[36]

Yu M, Chen X, Zhang W, et al. AGs-Unet: building extraction model for high resolution remote sensing images based on attention gates U network[J]. Sensors, 2022, 22(8): 2932.
[37]

Han R, Fan X, Liu J. EUNet: edge-UNet for accurate building extraction and edge emphais in Gaofen-7 images[J]. Remote Sensing, 2024, 16(13): 2397.
[38]

Zhou Z W, Ranman S M M, Tajbakhsh N, et al. Unet++: a nested U-Net architecture for medical image segmentation[C]//Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support: 4th International Workshop and 8th International Workshop. Granada: Springer, 2018: 1-9.
[39]

Hu J, Shen L, Sun G. Squeeze-and-excitation networks[C]// IEEE Conference on Computer Vision and Pattern Recognition (CVPR). New York: IEEE, 2018: 7132-7141.
[40]

Ronnebrger O, Fischer P, Brox T. U-Net: convolutional networks for biomedical image segmentation[C]// Medical Image Computing and Computer-Assisted Intervention. Berlin: Springer, 2015: 234-241.
[41]

He K M, Zhang X Y, REN S Q, et al. Deep residual learning for image recognition[C]// IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, NV: IEEE, 2016: 770-778.
[42]

Gupta R, Goodman B, Richard H, et al. XBD: a dataset for assessing building damage from satellite imagery[J]. arXiv Preprint, arXiv. 1911.09296, 2019.
[43]

孙书魁, 范菁, 孙中强, 等. 基于深度学习的图像数据增强研究综述[J]. 计算机科学, 2024, 51(1): 150-167.
[44]

Sun Shukui, Fan Jing, Sun Zhongqiang, et al. A review of research on image data enhancement based on deep learning[J]. Computer Science, 2024, 51(1): 150-167.
[45]

Ji S P, Wei S Q, Lu M. Fully convolutional networks for multisource building extraction from an open aerial and satellite imagery data set[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(1): 574-586.

基金资助

河南省自然科学基金(25230042189)

河南省住房城乡建设科学技术计划(HNJS-2025-K40)

PDF (13225KB)

40

访问

0

被引

详细
导航
相关文章

/

〈 〉

京ICP备05035734号-4
版权所有 © 《科学技术与工程》编辑部
地址： 北京市海淀区学院南路86号 《科学技术与工程》编辑部　邮编：100081
电话：(010)62118920 　E-mail：stae@vip.163.com
技术支持：北京玛格泰克科技发展有限公司 　
网站管理员登录