71 / 2024-08-14 20:10:29

物理知识引导下的SAR建筑区分割方法_AITC 2024+摘要

合成孔径雷达；建筑区提取；深度学习；物理知识

建筑区的空间分布是描述人类活动重要因素，对于衡量城市化发展和应急响应等具有重要的现实意义。SAR具有昼夜获取高分辨率图像的能力，且对天气条件不敏感，是实时全球监测的理想数据源。然而，由于SAR成像机制的复杂性和城市环境的多样性，SAR建筑区检测是一个具有挑战性的问题，需要自动和稳健的算法从大规模SAR图像中提取建筑区。近年来，深度学习由于其强大的特征提取能力，已被广泛应用于计算机视觉领域的各种任务，如目标检测和语义分割，并为遥感领域的大规模自动化图像解释提供了良好的框架。



然而，SAR建筑区的分割仍然存在两个挑战。一方面，遥感模型大多是在自然图像识别模型的基础上进行改进的。视觉模型通常只考虑可见光波段的图像特征，而不考虑SAR的成像机制和物理特征。另一方面，由于深度网络的内在特点，细微的语义信息在逐层抽象到更高级的特征表示中可能丢失。针对上述问题，本文提出了一种新的网络结构，结合了物理规律和关注边界的特征融合方法，用于SAR建筑区分割。具体来说，建筑物通常排列整齐，由于其二次散射和叠掩效应，在SAR图像中形成有一定周期规律性的明暗相间的纹理，本文将该规律作为先验的物理知识并建模表征，引导网络的中间层学习该物理规律并增强网络的可解释性。为了更加有效地融合和平衡高分辨率细节特征和低频上下文特征，并在融合过程中关注细节信息，我们设计了边界注意的特征融合方法，利用边界作为调节因子实现高低层信息自适应融合。



本文进行了大量实验和全面评估以验证提出方法的有效性和先进性。实验结果表明，我们的网络在SARBud数据集取得了优异的性能，加入创新方法后可以将建筑区的mIoU提高3.09%。并且，本文方法在有效性和稳健性方面超越了其他先进方法，mIoU达到80.81%。