吴开顺,郑道远,陈妍伶,曾林芸,张嘉辉,柴生华,徐文杰,杨永亮,李圣文,,刘袁缘,,方芳,*
1.中国地质大学(武汉)国家地理信息系统工程技术研究中心,武汉 430074
2.中国地质大学(武汉)地理与信息工程学院,武汉 430074
建筑物轮廓信息是最重要的基础地理信息之一,在日常生活、经济建设和国防建设中发挥着重要的作用。遥感影像建筑物检测和提取在城市规划、人口估计、地形图制作和更新等应用中都具有极为重要的意义[1]。相比人工遥感解译与矢量化,自动化的遥感影像建筑物轮廓提取方法,不仅节省人力物力,而且效率高、信息提取周期短。
近年来,随着深度学习技术的不断发展,出现了基于深度学习的高精度建筑物轮廓信息自动提取方法,识别精度获得显著提升。大量的数据样本是训练深度学习模型、提升建筑物自动提取性能的关键。在计算机视觉领域,ImageNet[2]、MS COCO[3]等开放数据集极大地促进了深度学习方法的发展。然而,可供开放使用的建筑物提取数据集相对缺乏[1]。目前常用的建筑物提取数据集主要有AIRS 数据集[4]、WHU 建筑物数据集[1]和Inria 遥感影像数据集[5]。此外,马萨诸塞数据集[6]由于影像质量和分辨率较低,较少应用于建筑物提取的相关研究;ISPRS[7]及竞赛数据集[8]覆盖区域过小,很难反映出建筑物的多样性。需要指出的是,遥感影像中的建筑物影像在时空分布、形态、背景环境上存在较大差异,模型精度和泛化能力与训练时采用的数据集密切相关。但是目前尚未见发表中国地区的建筑物提取公开数据集,这在一定程度上制约着适应中国地区建筑物自动提取方法及应用的研究。……