MAP-Net：用于遥感影像建筑物足迹提取的多路径注意力神经网络
计算机视觉与模式识别
2020-10-01 v2
摘要
由于建筑物结构复杂、尺度多样且外观各异，从大范围遥感影像中准确高效地提取建筑物足迹仍具挑战。现有基于卷积神经网络（CNN）的建筑物提取方法被诟病无法检测微小建筑，因为CNN特征图的空间信息在反复池化操作中丢失，且大型建筑的分割边缘仍不准确。此外，CNN提取的特征总是局部的，受限于感受野大小，低纹理的大规模建筑提取时往往不连续且多空洞。本文提出一种新颖的多路径注意力神经网络（MAP-Net），用于准确提取多尺度建筑物足迹与精确边界。MAP-Net通过多并行路径学习空间定位保持的多尺度特征，其中每个阶段逐步生成以固定分辨率提取高层语义特征。随后，注意力模块自适应压缩各路径的通道特征以优化，金字塔空间池化模块捕获全局依赖以精炼不连续的建筑物足迹。实验结果表明，MAP-Net在边界定位精度与大型建筑连续性上优于最先进（SOTA）算法。具体而言，与最新HRNetv2相比，我们的方法在Urban 3D、Deep Globe与WHU数据集上分别实现了0.68%、1.74%、1.46%的精度提升与1.50%、1.53%、0.82%的IoU分数提升，且不增加计算复杂度。TensorFlow实现见https://github.com/lehaifeng/MAPNet。
引用
@article{arxiv.1910.12060,
title = {MAP-Net: Multi Attending Path Neural Network for Building Footprint Extraction from Remote Sensed Imagery},
author = {Qing Zhu and Cheng Liao and Han Hu and Xiaoming Mei and Haifeng Li},
journal= {arXiv preprint arXiv:1910.12060},
year = {2020}
}
备注
13 pages, 10 figures