联合多尺度注意力机制与边缘约束的SPOT7影像林地提取方法

任诗曼; 朱军; 方铮; 李闯农; 梁策; 谢亚坤; 李维炼; 张天奕

doi:10.13203/j.whugis20210251

美国《工程索引》（EI）核心期刊
美国《剑桥科学文摘》（CSA）收录期刊
荷兰斯高帕斯数据库（Scopus）收录期刊
英国INSPEC数据库（SA）收录期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

联合多尺度注意力机制与边缘约束的SPOT7影像林地提取方法

任诗曼, 朱军, 方铮, 李闯农, 梁策, 谢亚坤, 李维炼, 张天奕

文章导航 > 武汉大学学报 ( 信息科学版) > 优先出版

任诗曼, 朱军, 方铮, 李闯农, 梁策, 谢亚坤, 李维炼, 张天奕. 联合多尺度注意力机制与边缘约束的SPOT7影像林地提取方法[J]. 武汉大学学报 ( 信息科学版). doi: 10.13203/j.whugis20210251

引用本文:

REN Shiman, ZHU Jun, FANG Zheng, LI Chuangnong, LIANG Ce, XIE Yakun, LI Weilian, ZHANG Tianyi. Woodland Extraction of SPOT7 Image Based on Multi-scale Attention Mechanism and Edge Constraint[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210251

Citation:

REN Shiman, ZHU Jun, FANG Zheng, LI Chuangnong, LIANG Ce, XIE Yakun, LI Weilian, ZHANG Tianyi. Woodland Extraction of SPOT7 Image Based on Multi-scale Attention Mechanism and Edge Constraint[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210251

联合多尺度注意力机制与边缘约束的SPOT7影像林地提取方法

doi: 10.13203/j.whugis20210251

1 西南交通大学地球科学与环境工程学院, 四川成都, 611756;
2 四川省国土科学技术研究院, 四川成都, 610045;
3 中国铁道科学研究院集团有限公司电子计算技术研究所, 北京, 100081

基金项目:

四川省自然资源厅项目(KJ-2020-4)；国家自然科学基金(U2034202， 41871289)；四川省科技计划资助(2020JDTD0003)。

详细信息

作者简介:
任诗曼,硕士生,主要从事遥感图像信息提取研究。E‑mail:rensm9604@163.com

Woodland Extraction of SPOT7 Image Based on Multi-scale Attention Mechanism and Edge Constraint

1 Faculty of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu 611756, China;
2 Sichuan Institute of land Science and Technology, Chengdu 610045, China;
3 Institute of Electronic Computing Technology, China Academy of Railway Sciences Corporation Limited, Beijing 100081, China

Funds:

Project of Department of Natural Resources of Sichuan Province(KJ-2020-4)

摘要: 林地是国家重要的自然资源和经济资源，掌握林地分布状况对林地资源调查管理具有重要意义。针对传统林地提取方法精度较低且边界不规则的问题，本文设计一种联合多尺度注意力机制与边缘约束的林地提取方法，首先，构建一种端到端的多尺度注意力神经网络模型，充分提取影像中林地的上下文特征，对不同尺度下的林地进行语义描述，实现高精度的林地像素级表达；其次，构建边缘约束规则，对提取结果进行边界优化，提高林地提取结果的可读性。为证明方法的有效性，以四川省绵阳市三台县作为试验区，建立数据集并进行林地提取试验，结果显示，本文方法提取的精确度为81.9%，召回率为75.6%，F1为78.1%，交并比为64.2%。结果证明，本文方法在遥感影像林地提取应用上具有更好的效果。
- 林地提取 /
- 多尺度 /
- 注意力机制 /
- 边缘约束
Abstract: As woodland is an important natural and economic resource of China, it is important to understand the distribution of woodland for the investigation and management of woodland resources. In this paper, we design a woodland extraction method combining multi-scale attention mechanism and edge constraint to tackle the issue of low accuracy and irregular boundaries in traditional forest extraction methods. First, an end-to-end multi-scale attentional neural network model is constructed to fully extract the context features of woodland in remote sensing images, and semantically describe woodland at different scales to achieve high-precision pixel-level expression of woodland. Secondly, the edge constraint rules are constructed to optimize the boundary of the extraction results, to improve the readability of the extraction results. To prove the effectiveness of the proposed method, Santai County, Mianyang City, Sichuan Province, is taken as the experimental area to establish datasets and carry out woodland extraction experiments. The results show that the extraction accuracy of this method is 81.9%, the recall rate is 75.6%, F1 is 78.1%, IoU(Intersection of Union) is 64.2%, and the method in the paper has a better effect in the application of woodland extraction with remote sensing image.
- woodland extraction /
- multiscale /
- attention mechanism /
- edge constraint

[1]	Cheng K, Wang J. Forest Type Classification Based on Integrated Spectral-spatial-temporal Features and Random Forest Algorithm-A Case Study in the Qinling Mountains[J]. Forests, 2019, 10(7)
[2]	Kim C, Hong S. The Characterization of a Forest Cover through Shape and Texture Parameters from QuickBird Imagery[C]. IEEE International Geoscience and Remote Sensing Symposium, 2008, 3:692-695
[3]	Long J, Shelhamer E, Darrell T. Fully Convolutional Networks for Semantic Segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 39(4):640-651
[4]	Kattenborn T, Leitloff J, Schiefer F, et al. Review on Convolutional Neural Networks (CNN) in Vegetation Remote Sensing[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 173:24-49
[5]	Huang B, Zhao B, Song Y. Urban Land-use Mapping Using a Deep Convolutional Neural Network with High Spatial Resolution Multispectral Remote Sensing Imagery[J]. Remote Sensing of Environment, 2018, 214:73-86
[6]	Schiefer F, Kattenborn T, Frick A, et al. Mapping Forest Tree Species in High Resolution UAVBased RGB-imagery by Means of Convolutional Neural Networks[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 170:205-215
[7]	Gui Y, Li W, Wang Y, et al. Woodland Detection Using Most-sure Strategy to Fuse Segmentation Results of Deep Learning[C]. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2019:1-4
[8]	He K, Zhang X, Ren S, et al. Deep Residual Learning for Image Recognition[C]. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016:770-778
[9]	Ronneberger O, Fischer P, Brox T. U-Net:Convolutional Networks for Biomedical Image Segmentation[J]. Medical Image Computing and Computer-Assisted Intervention (MICCAI), 2015, 9351:234-241
[10]	Xie S, Girshick R, Dollár P, et al. Aggregated Residual Transformations for Deep Neural Networks[C]. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017:5987-5995
[11]	Woo S, Park J, Lee J Y, et al. CBAM:Convolutional Block Attention Module[C]. European Conference on Computer Vision (ECCV), 2018:3-19
[12]	Lin T, Dollár P, Girshick R, et al. Feature Pyramid Networks for Object Detection[C]. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017:936-944

[1]	张红伟, 杜清运, 陈张建, 张琛. 一种使用RoBERTa-BiLSTM-CRF的中文地址解析方法 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20210112
[2]	梁烽, 张瑞祥, 柴英特, 陈金勇, 茹国宝, 杨文. 一种结合上下文与边缘注意力的SAR图像海陆分割深度网络方法 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20210078
[3]	眭海刚, 黄立洪, 刘超贤. 利用具有注意力的Mask R-CNN检测震害建筑物立面损毁 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20200158
[4]	呙维, 彭旭, 刘异, 朱欣焰. 边缘约束下的分形网络分割算法 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20170262
[5]	周亚男, 骆剑承, 程熙, 沈占锋. 多特征融入的自适应遥感影像多尺度分割 . 武汉大学学报 ( 信息科学版),
[6]	林雪原, 刘磊. 多传感器组合导航系统的多尺度分布式滤波算法 . 武汉大学学报 ( 信息科学版),
[7]	李宇, 王宏琦, 孙显. 利用多尺度语义模型的复杂图像目标自动提取方法 . 武汉大学学报 ( 信息科学版),
[8]	赵彬彬, 邓敏, 徐震, 刘慧敏. 多尺度地图面目标匹配的统一规则研究 . 武汉大学学报 ( 信息科学版),
[9]	陈炳文, 王文伟, 梅天灿, 秦前清. 利用比例分解和嵌套窗口进行彩色图像边缘提取 . 武汉大学学报 ( 信息科学版),
[10]	张倩, 黄昕, 张良培. 多尺度同质区域提取的高分辨率遥感影像分类研究 . 武汉大学学报 ( 信息科学版),
[11]	夏林元, 肖俊, 林丽群. 基于边缘的多尺度立体匹配算法 . 武汉大学学报 ( 信息科学版),
[12]	刘爱平, 刘忠, 付琨, 尤红建. 一种有效的高分辨率SAR目标特征提取与识别方法 . 武汉大学学报 ( 信息科学版),
[13]	林丽群, 舒宁, 龚龑, 肖俊. 基于像斑的多光谱影像跨尺度分类研究 . 武汉大学学报 ( 信息科学版),
[14]	牛方曲, 甘国辉, 程昌秀, 祁铮. 矢量数据多尺度显示中的关键技术 . 武汉大学学报 ( 信息科学版),
[15]	杨必胜, 孙丽. 导航电子地图的自适应多尺度表达 . 武汉大学学报 ( 信息科学版),
[16]	蒋志勇, 陈晓玲, 秦前清, 陈楚群. 基于重构的多尺度目标提取与分割 . 武汉大学学报 ( 信息科学版),
[17]	潘俊, 王密. 多尺度的DMC彩色合成影像辐射再处理方法 . 武汉大学学报 ( 信息科学版),
[18]	刘艳芳. 多尺度耕地供需动态平衡模式研究 . 武汉大学学报 ( 信息科学版),
[19]	韦豪东, 易尧华, 余长慧, 林立宇. 融合注意力与序列单元的文本超分辨率 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20220158
[20]	高贤君, 冉树浩, 张广斌, 杨元维. 基于多特征融合与对象边界联合约束网络的建筑物提取 . 武汉大学学报 ( 信息科学版), doi: 10.13203/j.whugis20210520

点击查看大图

计量

文章访问数: 293
HTML全文浏览量: 46
PDF下载量: 7
被引次数: 0

联合多尺度注意力机制与边缘约束的SPOT7影像林地提取方法

doi: 10.13203/j.whugis20210251

1 西南交通大学地球科学与环境工程学院, 四川成都, 611756;

2 四川省国土科学技术研究院, 四川成都, 610045;

3 中国铁道科学研究院集团有限公司电子计算技术研究所, 北京, 100081

基金项目:

四川省自然资源厅项目(KJ-2020-4)；国家自然科学基金(U2034202， 41871289)；四川省科技计划资助(2020JDTD0003)。

作者简介:
任诗曼,硕士生,主要从事遥感图像信息提取研究。E‑mail:rensm9604@163.com

收稿日期: 2021-12-19
网络出版日期: 2022-07-26

关键词:

林地提取 /

多尺度 /

注意力机制 /

边缘约束

摘要: 林地是国家重要的自然资源和经济资源，掌握林地分布状况对林地资源调查管理具有重要意义。针对传统林地提取方法精度较低且边界不规则的问题，本文设计一种联合多尺度注意力机制与边缘约束的林地提取方法，首先，构建一种端到端的多尺度注意力神经网络模型，充分提取影像中林地的上下文特征，对不同尺度下的林地进行语义描述，实现高精度的林地像素级表达；其次，构建边缘约束规则，对提取结果进行边界优化，提高林地提取结果的可读性。为证明方法的有效性，以四川省绵阳市三台县作为试验区，建立数据集并进行林地提取试验，结果显示，本文方法提取的精确度为81.9%，召回率为75.6%，F1为78.1%，交并比为64.2%。结果证明，本文方法在遥感影像林地提取应用上具有更好的效果。

English Abstract

Woodland Extraction of SPOT7 Image Based on Multi-scale Attention Mechanism and Edge Constraint

1 Faculty of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu 611756, China;

2 Sichuan Institute of land Science and Technology, Chengdu 610045, China;

3 Institute of Electronic Computing Technology, China Academy of Railway Sciences Corporation Limited, Beijing 100081, China

Funds:

Project of Department of Natural Resources of Sichuan Province(KJ-2020-4)

Received Date: 2021-12-19
Available Online: 2022-07-26

Keywords:

Abstract: As woodland is an important natural and economic resource of China, it is important to understand the distribution of woodland for the investigation and management of woodland resources. In this paper, we design a woodland extraction method combining multi-scale attention mechanism and edge constraint to tackle the issue of low accuracy and irregular boundaries in traditional forest extraction methods. First, an end-to-end multi-scale attentional neural network model is constructed to fully extract the context features of woodland in remote sensing images, and semantically describe woodland at different scales to achieve high-precision pixel-level expression of woodland. Secondly, the edge constraint rules are constructed to optimize the boundary of the extraction results, to improve the readability of the extraction results. To prove the effectiveness of the proposed method, Santai County, Mianyang City, Sichuan Province, is taken as the experimental area to establish datasets and carry out woodland extraction experiments. The results show that the extraction accuracy of this method is 81.9%, the recall rate is 75.6%, F1 is 78.1%, IoU(Intersection of Union) is 64.2%, and the method in the paper has a better effect in the application of woodland extraction with remote sensing image.

引用本文:

Citation:

REN Shiman, ZHU Jun, FANG Zheng, LI Chuangnong, LIANG Ce, XIE Yakun, LI Weilian, ZHANG Tianyi. Woodland Extraction of SPOT7 Image Based on Multi-scale Attention Mechanism and Edge Constraint[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210251