众源地图标注数据支持下的遥感影像建筑物提取

Crowdsourcing geospatial data is the open data collected by many non-expert users and shared on the Internet for public usage, and is characterized by attributes of large-volume, high-concurrency, rich-information, and low-expense. In this proposal, we will propose a building automatic extraction method using High-Resolution Satellite Imagery (HRSI) data and labeling information in the Crowdsourcing Map Labeling (CML) data. It includes: 1) a weakly building labeled data generation method using the HRSI data and CML data; 2) a location prior map model for buildings by combining different priors to resolve the local minima problem; 3) a building automatic extraction method by integrating an error tolerance deep learning model with the location prior map. This model can learn the accurate feature representation and discrimination model from our constructed large-scale dataset. The performance and generalization ability of the model are evaluated with homogeneous and heterogeneous HRSI datasets. This proposal can extend the application capabilities of the CML data, and can offer up-to-date and accurate building data automatic extraction and updating methods, ensuring that the earth observation technology of remote sensing strongly supports the national economic development.

众源地理数据是由大量非专业人员提供并通过互联网向大众提供的一种开放地理数据，具有数据量大、现势性高、信息丰富、低成本的特点。本项目拟以众源地图标注数据和卫星地图高分辨率遥感影像为基本数据源，实现城市建筑物信息的低成本、快速和现势性的自动提取和更新。本项目的研究内容包括：1）结合众源地图标注数据和卫星地图影像的建筑物和非建筑物标记方法研究，实现大规模建筑物样本库的快速构建；2）提出高分辨率遥感影像中建筑物目标的位置概率图模型，为遥感影像建筑物提取模型提供先验知识，解决样本库中标记不完整性可能导致模型陷入局部最小值的问题；3）针对样本库中存在错误标记的问题，提出具有容错能力的深度学习方法，结合建筑物目标位置概率图构建遥感影像建筑物提取模型。本项目能够提升众源地图标注数据的应用潜力，建立一种现势性和准确性的城市建筑物信息获取新途径，为我国遥感对地观测技术更好地服务国民经济发展提供技术支持。

众源地理数据是由大量非专业人员提供并通过互联网向大众提供的一种开放地理数据，具有数据量大、现势性高、信息丰富、低成本的特点。本项目以众源地图标注数据和卫星地图高分辨率遥感影像为基本数据源，实现城市建筑物信息的低成本、快速和现势性的自动提取和更新。本项目的研究内容包括：基于众源地图数据和高分辨率遥感影像数据，构建大规模遥感影像建筑物和非建筑物数据集，为基于深度学习的高分辨率遥感建筑物提取模型提供数据基础；对深度卷积神经网络在遥感影像解译中的应用进行探索，主要研究传统卷积神经网络对于旋转的敏感性问题和在遥感影像中的迁移能力；构建具有容错能力的建筑物深度学习模型，在上述构建大规模样本库下学习出的特征表达和判别模型，从而缓解深度学习模型对于精确标记样本需求的压力。本项目的成果包括：利用大规模众源地图标注数据，融合卫星地图高分辨率遥感影像数据，构建了武汉市大规模建筑物和非建筑物遥感影像数据集；提出适合于遥感影像场景解译的环形中心池化模型，丰富传统卷积神经网络的空间信息，并提升网络的旋转不变性；基于教师-学生模型，提出一种能够在噪声数据集下学习建筑物特征的深度学习模型，并改进建筑物提取的损失函数，提升其容错能力。本项目大规模建筑物高分辨率遥感影像样本库的构建方法主要解决深度学习中对于大规模有标记样本库依赖问题和人工标注样本方法费事费力的问题，提升众源地图标注数据的应用潜力，建立一种现势性和准确性的城市建筑物信息获取新途径，为我国遥感对地观测技术更好地服务国民经济发展提供技术支持。