Cultivated land extraction from high-resolution remote sensing images based on BECU-Net model with edge enhancement

Abstract

è€•åœ°ä½œä¸ºå›½å®¶ç²®é£Ÿç”Ÿäº§çš„é‡è¦ä¿éšœï¼Œå ¶ç©ºé—´åˆ†å¸ƒæ˜¯ç²®é£Ÿå®‰å ¨è¯„ä¼°ã€åœŸåœ°èµ„æºç®¡ç†ç­‰é¢†åŸŸçš„ä¸»è¦ä¾æ®ã€‚ä¸ºè§£å†³çŽ°æœ‰çš„è€•åœ°ä¿¡æ¯æå–æ–¹æ³•å¿½è§†åœ°å—çš„å·®å¼‚åŒ–ç‰¹å¾å’Œè¾¹ç¼˜ç»†èŠ‚è•´å«çš„ä¸°å¯Œä¿¡æ¯ï¼Œä¸”æå–ç»“æžœç¢Žç‰‡åŒ–ã€è¾¹ç•Œæ¨¡ç³Šé—®é¢˜ã€‚æœ¬ç ”ç©¶ä»¥è€•åœ°ä¸ºç ”ç©¶å¯¹è±¡ï¼Œé‡‡ç”¨ä¸€ç§ç»“åˆEfficientNet骨干网络和U型框架构建的改进型耕地信息提取模型BECU-Net（Boundary Enhancement Classification U-Net），并为实现边缘特征和深度特征的信息互补，设计由CoT模块（Contextual Transformer Module）、门控卷积、scSE（Spatial-Channel Sequeeze and Excitation）注意力机制形成的边缘分支子网络，来提高模型处理边界信息的专注度。同时，构建含约束项的联合型边缘增强损失函数BE-LOSS（Boundary Enhancement Loss）进一步完善模型运算性能。使用GID高分二号RGB-NIRå››æ³¢æ®µæ•°æ®ï¼Œä¸Žæ¢¯åº¦ã€æŒ‡æ•°ã€çº¹ç†ç‰¹å¾å›¾å ±åŒæž„å»ºè€•åœ°ç‰¹å¾æœºåˆ¶ã€‚å¹¶åˆ†åˆ«ä¸Žä¸åŒç½‘ç»œç»“æž„ã€ä¸åŒæŸå¤±å‡½æ•°çš„æ¨¡åž‹è¿›è¡Œå¯¹æ¯”ã€‚ç»“æžœè¡¨æ˜Žï¼šæ”¹è¿›ç®—æ³•çš„æ€»ä½“ç²¾åº¦å’ŒF1分数均有改善，相比于DeeplabV3+网络，提取精度提升2.24%，F1分数提升1.77%ã€‚æœ¬ç ”ç©¶æå‡ºçš„æ–°ç®—æ³•å¯ä¸ºè¿›ä¸€æ­¥è§£å†³è€•åœ°ä¿¡æ¯æå–æ—¶è¾¹ç•Œæ¨¡ç³Šé—®é¢˜æä¾›æŠ€æœ¯å‚è€ƒï¼Œä¸ºå¤æ‚äº¤ç•Œçš„ç²¾å‡†åˆ’åˆ†æä¾›ç†è®ºæ”¯æ’‘ã€‚

Topics & Concepts