DPL-Net：用于高分辨率遥感图像的水体提取网络

来源：计算机工程与应用杂志2025年第16期北京时间：

作者：龚蒙, 张永宏, 孙书林, 王俊飞, 杨天笑, 袁子薇

单位：1.南京信息工程大学 自动化学院，南京 210044；2.南京信息工程大学 江苏省大气环境与装备技术协同创新中心，南京 210044；3.南京信息工程大学 电子与信息学院，南京 210044

摘要：提取高分辨率遥感图像中的水体，对洪涝监测具有至关重要的作用。现有技术主要利用深度卷积神经网络（deep convolutional neural network，DCNN）提取遥感图像中水体区域。然而，遥感图像蕴含丰富信息，表现出“类内差异大，类外差异小”这一特征，导致DCNN对水体识别提取出现“漏判”“误判”及“识别模糊”等现象。提出一种新颖的双路径学习网络（dual path learning network，DPL-Net）用于准确高效地提取水体信息。将特征提取模块学习的浅层水体特征分别输入语义路径与空间路径，将语义路径学习的高层语义信息与空间路径学习的空间特性进行特征融合，起到提取完整水体的作用。该网络在语义路径中提出残差语义学习模块（residual semantic learning module，RSL）学习更具判别特性的语义信息，在空间路径中提出多尺度残差扩展卷积空间学习模块（multiscale residual expansion convolution space path，MRE）编码丰富的多尺度上下文信息。为了使网络训练更加注重水体区域，将交并比（intersection over union，IOU）作为损失函数的组成部分。实验结果表明，与现有先进方法相比，所提算法在公开数据集GID上IOU指标为89.56%，优于其他网络。为了验证模型的泛化性和鲁棒性，在LoveDA数据集上进行实验分析，结果表明IOU指标为73.77%，高于其他模型。

关键词：洪涝监测,遥感图像,卷积神经网络,语义分割,水体提取