1. 引言
传统的建筑物提取多是将使用手工提取的特征当做判断标准，同时基于边缘检测或者影像特征。在处理复杂的环境中，往往无法获得令人满意的效果。之后有人提出使用概率图模型，同时把卷积操作设置扩张率，这样为后来研究者对模型进行优化提供了很好地思路 [1] [2] 。通过精确地分割和提取建筑屋顶可以大大改善地理信息的处理效率，从而为城市规划、资源检测以及国家安全等领域带来极大的便利 [3] [4] [5] [6] [7] 。在本研究中，首先使用遥感图像获取了建筑物屋顶的图像数据，然后使用deeplabv3+模型对这些数据进行了语义分割。提出的模型在ASPP模块中添加注意力机制，并将空洞卷积替换为并行加权空洞卷积，进一步提高模型的分割精度。利用遥感技术可以获得大量的建筑物屋顶信息，这些信息具有丰富的语义和纹理特征，但由于存在大量的冗余数据，所以如何处理海量高质量遥感影像，并且得到有效的信息在遥感领域中显得尤为重要 [8] [9] [10] [11] 。
2. 研究方法
2.1. DeepLabv3+网络
Google的deeplab已经发布了四个版本，其中DeepLabv3基于DeepLabv2的基础上，开发出ASPP模型 [12] ，但如果3 × 3的空洞卷积无法达到特征图的尺寸，就会导致1 × 1的卷积失效，从而无法完整地捕捉到图像的信息。DeepLabv3通过增加一个1 × 1的卷积层，大大改善了aspp模块的性能，使得图片可以达到更高的分辨率，从而提高了图像处理的效率。DeepLabv3+网络本质上是基于DeepLabv3网络进行的改进，在原有的基础上添加了解码器(Decoder)模块，通过结合底层的特征信息来增强分割效果 [13] [14] [15] [16] 。
DeepLabv3+架构由两个核心部分组成：编码器和解码器。编码器模块负责提取高层特征，它的主要网络结构是ResNet50，使用空洞卷积来取代传统的标准卷积，可以大大拓宽网络的感知范围。空洞卷积的本质就是带有空洞的卷积，达到在无需大幅度缩小图像尺寸的前提下获得更大的感受野范围的目的。
DCNN (深度卷积神经网络)利用ASPP模块提取出的复杂的多尺度上下文数据，可以提供更为全面的多尺度上下文信息。ASPP模块由5个分支组成，包括一个全局平均池化和四个空洞卷积层，其中一个卷积层是1 × 1的，其余三个都是3 × 3的空洞卷积，只不过空洞率分别是6的1、2和3倍数。之后把得到的特征图进行特征融合，然后用1 × 1的卷积降低通道维度。使用双线性插值后将这些值与从编码器模块提取的低级特征相关联，以达到空间分辨率的一致性。值得一提的是，为了提高编码器模块的性能，我们采用1 × 1卷积层来降低浅层特征的维度，从而避免高级特征受到损害。经过编码器模块的深度学习和输入学习，我们可以将其中的特征进行3 × 3卷积处理，并使用四倍双线性上采样技术来提升预测精度，从而构建一个完整的网络。如图1所示：
Figure 1. DeepLabv3+ model structure diagram
图1. DeepLabv3+模型结构图
2.2. 改进的DeepLabv3+网络模型
2.2.1. 骨干网络
建筑物屋顶多呈面状结构，分布于高分辨率的遥感图像中，语义信息非常简单，但细节信息非常丰富，这对于语义分割中细节提取能力有很高的要求。传统的特征提取算法主要通过人工手动操作进行，效率低、准确率不高，难以满足实际应用需求。原DeepLabV3+采用骨干网络为Xception网络结构，模型参数量大，参数数量庞大，结构复杂，比较适合于完成多类型语义分割任务，同时，造成计算量太大，不便于培训等等，显然，这将非常适合于建筑物屋顶分割的工作。为了解决这个问题，根据高分辨率遥感影像建筑屋顶特点，文中把DeepLabV3+解码器结构的骨干网络设为ResNet50进行特征提取。
ResNet50相比Xception网络参数较少，易于训练，收敛迅速，此外在加上空洞卷积后，感受野也有所增加，能够较好地融合遥感影像语义信息，显著提高了运行速度。
2.2.2. 并行加权空洞卷积
DeepLabv3+最初是为了扩大感知范围，降低运算复杂度而采用空洞卷积，但是，这种方法也会导致局部信息的丢失以及长距离信息的不可预测性。通过离散采样，我们可以在特征图中发现空洞卷积，它们的相邻像素来自彼此独立的子集，但是这种卷积方法忽略了连续点间的局部信息，因此，在空洞率较高的情况下，这种现象尤为明显，这将严重降低最终的结果准确度。
研究人员经常使用不对称卷积来加速压缩模型，其中，1 × n和n × 1卷积是最常用的，它们可以有效地分解n × n对称卷积，从而大大降低模型中的参数数量。如果二维卷积核秩达到1，那么就可以通过一系列一维卷积的方式实现对其的等价转换。本文采用并行加权的空洞卷积模块来解决由空洞卷积引起的复杂问题。通过对不同尺寸的图像块采用并行计算的方式，从而得到一个具有相同阶数的卷积核以达到提升模型精度的目的。通过将2 × 2、1 × 3和3 × 1不对称卷积叠加在一起，可以取代3 × 3卷积(如图2所示)，从而增强卷积核。本模块能够提高模型准确率，且不会增加模型复杂度。
2.2.3. 引入通道注意力机制
DeepLabv3+的注意力机制模块的引入，得到了刘文祥 [10] 等学者的积极探索，他们的成果表明，将双注意力机制模块融合到DeepLabv3+中，可以取得良好的性能。通过位置注意力模块和通道注意力模块，可以将特征图从一维压缩到更高维度，从而生成一维的位置权重矩阵，这样可以更有效地提取出更多的信息。使用双注意力机制能够极大地改善语义分析的精度，然而，由于需要计算两种注意力权重矩阵，因此需要投入大量的计算资源。位置注意力机制的最大目的是将全局信息融合在一起，但DeepLabv3+中的空洞金字塔池化模块可以实现这一目标，从而提高整体的效率和准确性。为了减少网络的复杂性，本论文仅引入通道注意力机制这个模块。
采用通道注意力机制，我们能够有效地将主干网络中的数据分析结果转换为多维的、具有多样性的特征图，从而实现对数据的有效管理。然后，使用卷积神经网络和BN神经网络，我们能够将多个特征向量压缩成一个单独的维度，其中每个维度都包含了该通道的权重信息，最后利用Sigmoid激活函数，我们能够大幅提升非线性表达的复杂程度。
2.2.4. 算法流程和网络机构
整个分割算法可分为三个部分，首先，对输入的遥感建筑图像实施统一的大小调整，接下来，我们将处理过的数据输入Enconder模块，以便从中提取出有用的特征，并对其进行加权处理，这样可以使得到的局部和全局特征更加准确。最后通过Decoder模块，我们可以对已获取的特征进行上采样，以提高图像的分辨率，并实现语义分割。
通过ResNet50网络，我们可以从图像中提取出多种尺度的特征，并利用并行加权空洞卷积技术来实现有效的数据处理。接着，我们将每个尺度的特征赋予不同的权重信息，并对其进行四倍上采样，以增加特征的丰富度并减少信息损失。通过对融合的特征进行四倍的增强，我们可以更准确地预测未来的结果。
3. 实验分析
3.1. 实验数据和环境
通过WHU遥感建筑数据集的高分辨率特征，我们可以有效地评估本文提出的模型的分割性能，特别是针对较小的建筑屋顶，这种特殊的数据集可以更加有效地帮助我们完成分割任务。
首先，我们对高分辨率遥感影像进行了统一切割，得到了512 × 512的小分辨率图像。接下来，我们对这些图像进行了随机旋转和模糊处理，最终得到了7252张遥感建筑物图像。经过7:3的比例训练和验证，我们获得了5076张训练集和1976张验证集。
在Ubuntu操作系统中，我们使用了32G的内存，Nvidia GeForce RTX 2080Ti显卡，拥有12 G的显存，并且使用了PyTorch 1.10深度学习框架来进行实验。通过将BatchSize设置为4，并将初始学习率定义为0.0001，我们采用了Adam算法来不断地更新和迭代参数，这样就可以有效地控制学习率，从而加速模型的收敛。
3.2. 评测指标
通过WHU遥感建筑数据集的高分辨率特征，我们可以有效地评估本文提出的模型的分割性能，特别是针对较小的建筑屋顶，这种特殊的数据集可以更加有效地帮助我们完成分割任务。
1) 准确率(ACC)，准确率这一指标最为简单，它只是算出正确分类像素数与全部像素数之比，计算公式是：
(1)
这其中TP是被正确分割为建筑屋顶的个数，FP是被错误分割为建筑屋顶的个数。TN是正确分割为背景的个数，FN是被错误分割为背景的个数。
2) 召回率(RECALL)，是指在图像中被正确分割的建筑屋顶个数与所有建筑的比值：
(2)
3) 精确度(PRECISION)，是指在图像中被正确分割的建筑屋顶个数与所有分割结果为屋顶的比值：
(3)
4) F1得分(F1)，是指准确率和精确度的加权平均值：
(4)
5) 交并比(IoU)，指为真实值与预测值两集合之交集与并集之比：
(5)
4. 结果分析
Table 1. Performance comparison of different models
表1. 不同模型的性能比较表
经过一百次迭代，我们的模型已经成功地实现了收敛。如下图所示，训练时loss与IoU曲线一致，以Tensorboard直观显示，横坐标为训练迭代数量，纵坐标是IoU与损失值的关系，当训练迭代次数增加时，损失值曲线和IoU曲线的变化趋势会变得更加平缓，效果良好。在WHU的遥感建筑数据集上ACC达到了0.987，IoU达到了0.892。
本文提出的模型与其他算法模型的性能比较如表1所示。
其中a为UNet模型，b为Deeplabv3+模型，c为双注意力机制的DeepLabv3+模型，d为本文模型。
本文模型与其他模型在高分辨率遥感图像上的语义分割效果如图3所示，可以看出，使用本文模型是可以分割出遥感图像中的各个建筑屋顶的，且根据最终的试验结果可以发现本文改进的DeepLabV3+模型在建筑屋顶的分割效果是好于原DeepLabV3+网络的，也证明了改进后的DeepLabV3+模型对于高分辨率遥感影像建筑屋顶语义分割问题方面具有一定的先进性。
Figure 3. Comparison of segmentation results of various models
图3. 各模型分割结果比较
5. 结语
本论文提出了一种基于改进DeepLabv3+网络对高分辨率遥感影像进行屋顶语义分割。尽管DeepLabv3+网络分割准确，但是也有一些问题，如模型的参数数量多，语义分割效率不够高。鉴于上述挑战，本文提供了一系列有效的解决方案，并将它们应用到DeepLabv3+网络架构上。采用ResNet50作为基础架构，可以显著降低Xception模型的参数需求。但是，这种做法显然会导致一定程度的精确性降低。为了提高精度，采用了并行加权不对称空洞卷积和通道注意力机制，以解决分割目标的纠正问题。通过对模型精度、参数量以及其他因素的全面评估，我们得出了这个结论。尽管模型在各个方面都取得了良好的语义分割效果，但由于遥感影像中建筑物的尺寸较小，边界模糊或受到外部障碍物的干扰，导致边界划分不够准确，因此未来的研究将重点放在提升边界分割的精确性上。