摘要: 基于遥感图像的建筑物分割是近十年来备受瞩目的研究课题。建筑物分割有着广泛的应用，例如有效的农业规划、自动危机响应、城市规划、路线图更新和汽车导航等。随着大数据时代的到来，以及计算机硬件的发展，使得深度学习算法发展迅速。本文以遥感图... 展开 基于遥感图像的建筑物分割是近十年来备受瞩目的研究课题。建筑物分割有着广泛的应用，例如有效的农业规划、自动危机响应、城市规划、路线图更新和汽车导航等。随着大数据时代的到来，以及计算机硬件的发展，使得深度学习算法发展迅速。本文以遥感图像建筑物语义分割问题为研究对象，针对深度学习分割算法在遥感图像建筑物分割中存在的问题展开研究。 传统的机器学习分割算法需要人工设计特征提取器，难以对遥感图像的语义特征进行有效提取。而基于大量数据的深度学习算法能够提取更具抽象性的特征，已经成为解决语义分割问题的主要方法。本文的具体研究内容如下： 针对高分辨率遥感图像道路分割问题提出了一种新型分割算法。该网络中采用了上下文信息捕获模块。通过扩大感受野，在保留细节信息的同时，在中心部分进行多尺度特征的融合，缓解了传统算法中细节信息丢失的问题；通过自适应地融合局部语义特征，该网络在空间特征和通道特征之间建立长距离的依赖关系；在高分辨率遥感图像公开数据集Massachusetts，CasNet和INIRA上的试验结果表明，该网络取得了更高的分割精度与效果。 针对高分辨率遥感图像楼房分割问题提出了一种新型融合分割网络。该网络由两个子网络组成。一方面，设计了边缘提取网络用于图像的边缘信息的捕获和保存。另一方面，设计了细节优化网络，对边缘提取网络的结果进行细化，得到了更高的细节质量预测。此外，提出了一种结合两个子网络输出的融合策略，将边缘信息与细节信息集成起来。在INRIA航空图像标签数据集和ISPRSVAHINGEN遥感图像标注数据集上的实验结果表明，该网络与当前最先进的网络相比具有更好的分割效果。 收起