リモートセンシング画像における建物のセグメンテーションは都市計画や軍事分野で広く利用されており、現在リモートセンシング分野の研究のホットトピックです。リモートセンシング画像中の建物間で尺度変化が大きいこと、建物の遮蔽、建物の影と建物の境界が類似していることによる建物セグメンテーションの精度低下という問題に対し、並列経路と強力な注意機構を備えた畳み込みニューラルネットワークモデルを提案します。本モデルはResNetネットワークの残差接続の考え方に基づき、ResNetを基礎ネットワークとしてネットワークの深さを向上させ、畳み込みダウンサンプリングを用いて並列経路を得て建物の多尺度特徴を抽出し、建物間の尺度変化の影響を軽減します。次に、強力な注意機構を加え、多尺度情報の融合効果を強化し、異なる特徴間の識別度を高め、建物の遮蔽および建物の影響を抑制します。最後に、多尺度融合特徴後にピラミッド空間プーリングモジュールを追加し、セグメンテーション結果における建物内部の穴の発生を抑制し、精度を向上させます。WHUおよびMassachusetts Buildingsの公開データセットで実験を行い、MIoU、Recall、Precision、F1-scoreの4つの指標でセグメンテーション結果を定量的に比較しました。Massachusetts Buildingsのデータセットでは、MIoUが72.84%に達し、ResUNet-aに比べて1.46%向上し、リモートセンシング画像中の建物のセグメンテーション精度を効果的に向上させることができます。

リモートセンシング画像;建物セグメンテーション;並列経路;強力な注意機構;ピラミッド空間プーリング