リモートセンシング画像における建物の効率的な抽出は、都市計画、災害救助、軍事偵察などの分野で重要な役割を果たしています。深層学習に基づく建物抽出手法は非常に高い精度を持っていますが、通常は複雑な畳み込み演算と非常に大きなネットワークモデルで実現されており、抽出速度が遅く、実際のニーズを満たすのが困難です。そこで、本研究ではリモートセンシング画像の建物を迅速に抽出する手法を設計しました。STTNetモデルの特徴抽出ネットワークにマルチスケール畳み込みを導入し、同じ畳み込み層内でマルチスケール特徴を抽出することで、モデルの特徴抽出能力をさらに向上させました。空間スパース特徴抽出器の構造を改良し、空間注意重みを持つ特徴マップにチャネル注意を適用してチャネル注意重みを効果的に学習し、バックボーンネットワークの出力特徴マップ学習時におけるチャネル注意重みの変動問題を解決しました。モデルのパラメータ数を削減し、計算速度を向上させるため、STTNetモデルを並列構造から直列構造に変更しました。INRIA建物データセットでの実験により、本手法は精度とIoUを維持しつつ、STTNetと比べて速度が18.3％向上し、主要な手法を明らかに上回ることが示されました。

リモートセンシング画像;建物抽出;マルチスケール畳み込み;スパース特徴抽出器