SCS-Net：一种基于语义与轮廓协同的网络模型，用于通过高分辨率遥感影像精确绘制建筑物轮廓

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：SCS-Net: A Semantic-Contour Synergy Network for Precise Building Delineation from High-Resolution Remote Sensing Imagery

　　```

!---->!---->

摘要：

目前，深度学习方法被广泛用于从细粒度地理空间图像中提取建筑物信息。然而，由于建筑物屋顶的颜色和形状多样、光谱特征存在显著差异以及背景复杂，仍面临诸多挑战。现有方法的一个主要局限在于它们对等高线信息的利用不足，而等高线信息对于精确定位至关重要，这常常导致边界定义不够准确。此外，遮挡现象以及难以有效整合多尺度特征也阻碍了建筑物的完整提取。为了解决这些问题，我们提出了一种基于语义和等高线的协同网络（Semantic-Contour Synergy Network），该网络能够同时进行语义分割和等高线检测。等高线分支包含一个等高线增强模块（Contour Enhancement Module, CEM），用于捕捉细粒度的等高线特征，并促进与语义分支的多尺度交互，从而引导网络实现更精确的定位。为了进一步提高对大型建筑物和被遮挡建筑物的提取效果，我们引入了多尺度卷积融合模块（Multi-Scale Convolutional Fusion Module, MSCFM），该模块在每一层中提取并融合多尺度特征。此外，全局-局部注意力融合模块（Global-Local Attention Fusion Module, GLAF）能够自适应地融合跨尺度特征，弥补了传统跳跃连接中固定权重融合方式在处理不同尺度建筑物时的局限性。我们对这两种任务都应用了深度监督机制，以保留深度特征中的细节信息。为了验证我们的方法，我们在三个基准数据集上进行了全面实验：CrowdAI地图挑战、Inria航拍图像标注任务以及中国典型城市的建筑物实例数据集。实验结果证实了该模型的有效性，该模型在等高线提取方面表现出显著提升，并且在处理不同尺度和遮挡情况时仍保持了良好的鲁棒性。

!---->!---->!---->

!---->

!---->!---->

```