2023年6月10日第7卷第11期现代信息科技ModernInformationTechnologyJun.2023Vol.7No.1189892023.062023.06收稿日期：2023-03-03基于Elan-UNet的遥感影像建筑物提取方法李松宇（渤海大学信息科学与技术学院，辽宁锦州121013）摘要：为了克服传统的U-Net网络高分辨率遥感影像建筑物提取可能出现的漏检，以及边缘细节损失的问题，以U-Net网络作为基础模型，提出一种多尺度采样模块（residualselanblock）以及多分支组合下采样模块结合的语义分割算法。通过重新设计网络模型的编码器，使网络编码获取更多语义信息；通过采用卷积与池化结合的方法改善池化带来的空间信息丢失问题。在WHUBuildingDataset公开数据集上的实验结果表明，该算法的精准度为85.01%，交并比为80.88%，比基础模型算法分别提高了4.73%和10.6%。关键词：U-net；多尺度采样；感受野；深度学习中图分类号：TP183；TP751文献标识码：A文章编号：2096-4706（2023）11-0089-05RemoteSensingImageBuildingExtractionMethodBasedonElan-UNetLISongyu(CollegeofInformationScienceandTechnology,BohaiUniversity,Jinzhou121013,China)Abstract:Inordertoovercomethepossibleproblemsofmissingdetectionandedgedetaillossinbuildingextractionofhigh-resolutionremotesensingimagesusingthetraditionalU-Netnetwork,asemanticsegmentationalgorithmcombiningthemulti-scalesamplingmodule(residualselanblock)andthemulti-branchsub-samplingmoduleisproposedbasedontheU-Netnetworkasthebasicmodel.Byredesigningtheencoderofthenetworkmodel,thenetworkcodingcanobtainmoresemanticinformation.Bycombiningconvolutionandpooling,thespatialinformationlosscausedbypoolingcanbeimproved.TheexperimentalresultsontheopendatasetofWHUBuildingDatasetshowthatthealgorithm'sprecisionis85.01%andtheIoUis80.88%,whichis4.73%and10.6%higherthanthebasicmodelalgorithm,respectively.Keywords:U-net;multi-scalesampling;receptivefield;deeplearning0引言城市高分辨率遥感影像的绝大多数的人工建筑为建筑物，遥感影像的建筑物自动识别对城市建设规划、自然灾害等应用具有重要的意义[1-3]。从高分辨率光学遥感图像中自动提取建筑物也是计算机视觉和遥感领域中热点课题，并取得了实质性的进展。近年来，由于深度卷积神经网络（DCNN）在目标检测[4-6]、图像分类[7，8]和语义分割[9-12]中的成功...
