利用大核双路径卷积网络从高分辨率遥感图像中提取城市开放空间

《International Journal of Remote Sensing》：Urban open space extraction with large kernel dual-path convolutional network from high-resolution remote sensing images

提出PYNet模型，结合LSKNet动态调整感受野和DDPAM模块，通过变形卷积增强不规则边界提取，在ISPRS Potsdam和20城实验数据集上mIoU达87.24%和93.00%，优于次优模型。

　　

摘要

城市开放空间是指城市中的公共户外区域，对城市规划和环境至关重要。这些空间具有复杂的景观和多样的地面物体，不同类型开放空间的不同空间尺度给传统的卷积模型或注意力机制带来了挑战，限制了它们的精确度。本文介绍了一种新的语义分割网络PYNet，旨在从高分辨率遥感图像中高精度地提取城市开放空间。PYNet以轻量级的大型选择性核网络（LSKNet）作为核心，该网络能够动态调整感受野以高效处理复杂的空间上下文信息。此外，创新的可变形双路径注意力模块（DDPAM）结合了新设计的变换专门化模块（TSM）和轻量级注意力机制，实现全局和局部特征的并行细粒度建模。TSM利用可变形卷积来模拟几何变换，从而增强了不规则物体边界的划分能力，实现了高精度提取城市开放空间。在ISPRS波茨坦基准数据集上，PYNet的mIoU达到了87.24%；在涵盖20个城市的实验数据集上，mIoU达到了93.00%，分别比第二佳模型高出0.74%和1.3%。实验结果表明，PYNet通过克服传统注意力机制在变换建模能力方面的限制，显著提高了提取精度，并展现出对多样化城市景观的鲁棒性。