DAS-Unet：用于从高分辨率遥感图像中提取建筑物信息的算法

《Geocarto International》：DAS-Unet for building extraction from high-resolution remote sensing images

本文提出DAS-Unet模型，通过增强U-Net的背 bone（采用ResNet50）、优化多方向池化模块和引入A2双注意力机制，有效提升高分辨率遥感影像中建筑物提取的精度与边界清晰度，在Massachusetts和昆山城市数据集上验证了其优于传统模型的性能。

　　
在遥感影像处理领域，建筑提取技术因其对城市规划、灾害评估和资源管理的重要支撑作用而备受关注。传统方法依赖人工特征设计，存在特征提取不足和泛化能力弱的问题。随着深度学习技术的发展，基于卷积神经网络（CNN）的模型逐渐成为该领域的主流解决方案。U-Net因其对称编码-解码结构在医学图像分割中表现优异，但其在处理复杂遥感场景时仍面临边界模糊、多尺度特征融合不足等挑战。

该研究提出DAS-Unet模型，通过三阶段优化显著提升建筑提取精度。首先，改进的U-Net主干网络采用ResNet50架构，结合多尺度膨胀卷积，在保持计算效率的同时扩展感受野。其次，创新性设计的双注意力机制（A2模块）通过分阶段特征聚合与分配，实现全局上下文与局部细节的协同优化。最后，优化的多方向池化模块通过水平和垂直方向组合池化操作，有效捕捉长条形建筑物的空间特征。

实验验证部分，模型在Massachusetts和Kunshan两大数据集上均展现显著优势。在Massachusetts数据集中，DAS-Unet的F1分数达到91.45%，较传统U-Net提升3.17%，在复杂边界场景下mIoU提升达8.74%。特别在Kunshan城市数据集（2.15米分辨率）测试中，模型在密集建筑群（图5b）和微小建筑（图5d）场景下均保持98%以上的像素级准确率。消融实验显示，优化后的池化模块使F1分数提升1.65%，而A2注意力机制贡献了2.78%的性能增益。

模型创新点体现在三个维度：1）网络架构层面，通过ResNet50预训练特征和膨胀卷积结合，解决传统U-Net在浅层网络特征表达能力不足的问题；2）注意力机制设计，采用双向注意力流（特征聚合与再分配），相比单侧注意力机制提升特征利用率达37%；3）多尺度处理策略，在编码端引入1×1卷积下采样，解码端通过残差连接实现跨尺度特征融合，有效处理200米至500米不同尺度的建筑群。

在模型应用方面，测试案例显示DAS-Unet对玻璃幕墙建筑（图4c）和地下车库（图5c）等复杂结构表现出色。通过引入方向性池化（水平和垂直方向分别处理），模型能准确识别建筑物的延伸方向和立体结构。A2模块的双向注意力机制在处理相邻建筑边界时，将误分割率降低至2.3%以下，较传统U-Net提升41%。

技术对比方面，与DeepLabV3+相比，DAS-Unet在边界模糊场景（如贴砖外墙）的mIoU提升12.7%，得益于多方向池化模块对纹理特征的增强提取。相较于HRNet等轻量化模型，DAS-Unet在保持0.55%像素级误差的同时，计算效率提升23%，验证了其在高分辨率影像（>500万像素）处理中的工程适用性。

该研究为遥感图像处理提供了新范式：首先建立ResNet50+膨胀卷积的骨干网络，通过通道注意力机制强化关键特征，最后利用空间注意力引导像素级分类。这种方法在保持模型复杂度可控（参数量约1.2亿，训练成本约15小时）的同时，实现了边界识别精度（平均边界模糊度<0.8像素）和全局一致性（跨尺度特征融合误差<3%）的双重突破。

实际应用测试表明，在苏州工业园区（2.15米分辨率影像）的实地应用中，模型对工业厂房（图5b）和高层住宅（图5a）的识别准确率达到96.2%，较现有最优模型提升5.8个百分点。在灾害应急场景（图4d）测试中，模型在浓烟干扰下的建筑提取完整度达到89.7%，较传统方法提升17.3%。这些结果验证了模型在复杂真实场景中的鲁棒性和实用性。

未来优化方向包括：1）引入动态自适应卷积层，根据输入分辨率自动调整特征提取策略；2）开发轻量化版本以适应无人机航拍数据的实时处理需求；3）拓展至多建筑类型识别，如识别不同材质（混凝土、钢结构）和功能（住宅、商业）建筑。这些改进有望将模型在百万像素级影像上的推理速度提升至0.8秒/张，为智慧城市监测提供高效解决方案。

该研究在计算机视觉领域的重要贡献在于：首次将ResNet50骨干网络与多方向池化模块结合，突破传统U-Net在建筑提取中的边界模糊瓶颈；提出的A2注意力机制在保持计算效率（参数量<5%）的同时，将全局上下文感知能力提升至现有模型的1.5倍。这些创新为遥感图像处理领域提供了新的技术路线，特别是在高分辨率影像（>500万像素）处理中展现出显著优势。