SSC-SeNet:一种融合点云与影像数据的露天矿区建筑物语义分割算法

摘要

矿区建筑物分割大多采用U-Net编码器-解码器网络结构，而编码器-解码器结构并未充分利用语义特征和空间特征从而导致分割精度低。针对现有建筑物提取方法存在的缺陷，提出了语义空间一致性语义分割网络(semantic spatial consistency semantic segmentation network, SSC-SeNet)。该网络首先利用多通道结构，实现了语义特征、空间特征和一致性特征的提取融合；其次在主通道的前三层坐标卷积处引入空间提取通道，并针对空间特征的进一步提取设计了Gabor傅里叶滤波器；然后在主通道的每一层常规卷积块处引入语义提取通道，提高了语义特征提取能力；最后采用特征融合模块将空间提取通道、语义提取通道和主通道的特征进行融合，并生成最后的分割图像。在分辨率为0.03 m的湘潭锰矿建筑物数据集上进行的试验结果表明，SSC-SeNet的交并比高达88.47%,整体准确度达97.09%,均显著优于U-Net等传统网络。此外，得益于其轻量化特点，该模型成功克服了过拟合问题。

关键词

矿区建筑物提取 / 语义分割 / SSC-SeNet / 注意力机制 / 坐标卷积 / 卷积神经网络 / 特征融合