基于稀疏约束SegNet的高分辨率遥感影像建筑物提取 论文

**

针对传统机器学习方法在建筑物提取中耗时长和精度低的问题，采用深度学习中的SegNet语义分割模型进行算法改进，提出了一种基于稀疏约束SegNet的高分辨率遥感影像建筑物提取算法。为了提升模型的泛化能力，我们对SegNet模型引入了正则项和Dropout，这显著减少了过拟合现象的发生。同时，为了增强模型的语义特征提取能力，算法中还引入了金字塔池化模块。通过在SPNet模型中加入Lorentz函数稀疏约束因子，我们构造了新的语义分割模型LSPNet。

为了验证该算法的可靠性和适用性，我们对高分辨率数据集中的建筑物进行了识别和提取。实验结果显示，与传统机器学习方法相比，该方法具备快速收敛和精度高的优势，且具有广阔的应用前景。

如果您对这一领域的其他研究内容感兴趣，可以参考以下资料：

• 基于二值语义分割网络的遥感建筑物检测：提供了二值语义分割在遥感建筑物检测中的应用。

• 高分遥感影像建筑物轮廓的逐级优化方法：讨论了遥感影像中建筑物轮廓提取的优化技术。

• 【公开分享】遥感影像1000张建筑物分割数据集：包含丰富的遥感影像建筑物分割数据集，适合算法验证。