利用改进版Mask-RCNN进行遥感影像中的建筑物识别与提取

由于遥感影像中建筑物种类繁多且与周围环境信息混淆，传统方法难以实现建筑物的准确高效提取.本文提出了一种基于改进Mask-RCNN的建筑物自动提取方法，利用PyTorch深度学习框架搭建改进Mask-RCNN网络模型架构，在网络的设计中添加了路径聚合网络和特征增强功能，通过监督和迁移学习的方式对Inria航空影像标签数据集进行多线程迭代训练与模型优化学习，实现了建筑物的自动精确分割和提取.基于不同开源数据集，分别与SVM、FCN、U-net和Mask-RCNN等建筑物提取算法进行对比，实验表明，本文方法可以高效准确、高效地提取建筑物，对于同一个数据集，提取结果的mAP、mRecall、mPrecision和F1分数这4个评价指标均优于对比算法.