期刊链接：https://www.mdpi.com/journal/remotesensing

微信链接：

https://mp.weixin.qq.com/s/lsoidWFXy8gyvWg3gmNIjQ

建筑物作为城市景观的主要要素以及城市地理数据库中最为重要且更新最为频繁的部分之一，快速并准确地提取建筑物边缘是检测建筑物变化的基本需求，对于城市规划和管理等具有重要意义。但由于建筑物本身结构的多样性以及建筑周围环境的复杂性，从遥感影像上进行建筑物提取及检测是遥感领域的一大挑战。为帮助大家更好实现建筑物提取及检测，本期小编精选了5篇近几年发表在Remote Sensing 上的文章，以供大家探讨研究。

1.EU-Net: An Efficient Fully Convolutional Network for Building Extraction from Optical Remote Sensing Images

EU-Net：一个高效的光学遥感图像建筑物提取全卷积神经网络模型

Wenchao Kang et al.

DOI：10.3390/rs11232813

图为 EU-Net的体系结构，包括三部分：编码器、DSPP和解码器。

针对建筑物在尺度和形态上差异极大以及其轮廓获取的难点，本文提出一个高效U型神经网络。本文首先将ASPP改进为密集的空间金字塔池 (DSPP)，以同时提取密集和多尺度的特征，这有利于在各个尺度上提取建筑物。然后，反向使用焦点损失来抑制错误标签对地面真实情况的影响，从而使训练阶段更加稳定。为了评估该模型的通用性，本文在WHU、Massachusetts和Inria三个公共航空遥感数据集上进行了测试。实验结果表明，本文提出的模型优于所有三个数据集的最新模型，并将预测效率提高了2–4倍。

2.Detection of Collapsed Buildings in Post-Earthquake Remote Sensing Images Based on the Improved YOLOv3

基于改进YOLOv3的震后遥感影像倒塌建筑物检测

Haojie Ma et al.

DOI：10.3390/rs12010044

图为 检测方法流程图。

近年来YOLOv3目标检测方法具有检测速度快，对密集小目标的检测精度高等优点。因此，本文尝试将基于CNN的目标检测方法YOLOv3应用于震后遥感图像中的倒塌建筑物，并针对YOLOv3网络结构和损失函数的缺点进行了改进，以获得更有效的检测结果。首先，用轻量级卷积神经网络Shufflenet v2代替YOLOv3中Darknet53 CNN；其次，将损失函数中的预测框中心点XY损失和预测框宽高WH损失统一替换为GIoU损失。以玉树地震和汶川地震后0.5m分辨率的航空遥感影像进行了实验，结果表明，改进后的YOLOv3网络参数量大大减少，相对于改进前的YOLOv3分别提升了5.21f/s、5.24%，此外，改进后的模型具有更强的抗噪能力，这表明该模型的概括性有了显著改善。因此，改进后的YOLOv3模型对震后高分辨遥感图像中的倒塌建筑的检测是有效的。

3.Object-Based Features for House Detection from RGB High-Resolution Images

基于对象的RGB高分辨率图像房屋检测

Renxi Chen, Xinhui Li and Jonathan Li

DOI：10.3390/rs10030451

图为 检测方法流程图。

本文提出了一种基于对象和机器学习的RGB高分辨率图像房屋自动检测方法。首先采用一种阈值化的分水岭变换和层次合并相结合的算法将图像分割成图斑对象，然后采用颜色不变模型方法消除阴影和植被覆盖的图斑对象，剩下的归为候选对象，最后对候选区域进行特征提取以生成训练数据。为了更好地捕捉房屋区域的特征，本文提出了边缘规则性指数 (ERI) 和阴影线指数 (SLI) 两种新特征。最后，使用AdaBoost，随机森林和SVM三个分类器，从测试图像中识别房屋并进行质量评估。实验表明，该方法能有效进行房屋识别，并且所提出的ERI和SLI功能可以分别将精确度和召回率提高5.6％和11.2％。

4.A Multiple-Feature Reuse Network to Extract Buildings from Remote Sensing Imagery

从遥感影像中提取建筑区的多特征重用神经网络

Lin Li et al.

DOI：10.3390/rs10091350

图为 多特征重用网络 (MFRN) 的体系结构的说明。

由于GPU显存的限制，高分辨率的影像通常必须被分割成多个图块，再提供给CNN模型，而建筑物通常会被分割保存在这些图块中并仅含有少量上下文信息。为了克服使用常规CNN处理含有不同层次特征的图像时产生的问题，本文提出了一种多特征重用网络 (MFRN)，其中的每层都会连接到后续同样尺度的层，从而使得每一层的各级特征被直接使用。此外，模型包含了一个灵巧的解码器，可以在较少GPU负担的同时实现精确定位。本文通过大型现实遥感数据上进行测试，得到了94.5%的总体精度和85%的F1分数，其结果优于其他比较的CNN模型。实验结果显示MFRN连接卷积层的方法提升了CNN模型提取不同尺寸建筑物的性能，在消费级GPU上可以获得较高的精度。

5.Detecting Building Edges from High Spatial Resolution Remote Sensing Imagery Using Richer Convolution Features Network

基于Richer Convolution Features网络的高空间分辨率影像建筑物边缘检测

Tingting Lu et al.

DOI：10.3390/rs10091496

图为 基于RCF网络的高空间分辨率影像建筑物边缘检测流程图。

本文将RCF网络引入高空间分辨率遥感影像建筑物边缘提取工作中。为提升建筑物边缘提取网络泛化能力，本文着重从数据集构建、网络重训练、边缘概率图后处理三个方面进行了研究：提出最外围约束提取算法，结合数据增强处理，构建了用于建筑物边缘检测的数据集，在此基础之上对RCF网络重新训练；利用重训练的RCF-building网络从高分辨率遥感影像中提取建筑物边缘概率图；通过对地形表面的几何形态分析，实现了建筑物边缘精细化提取。实验结果表明本文构建的基于RCF网络的RCF-building边缘检测模型可以有针对性地提取出建筑物的边缘，且该方法与其他三种典型的网络相比，提取建筑物边缘精度至少高出5%；本文提出的边缘概率图细化算法提高了边缘特征信息的查准率，且具有较好的目视效果。

期刊简介

Remote Sensing (ISSN 2072-4292) 是一个国际型开放获取期刊。其期刊范围涵盖遥感科学所有领域，从传感器的设计、验证和校准，到遥感在地球科学、环境生态、城市建筑等各方面的广泛应用。Remote Sensing 于今年6月收获了最新影响因子4.848，同时被收录进三个新的Categories：GEOSCIENCES、MULTIDISCIPLINARY (Q1)、ENVIRONMENTAL SCIENCES (Q2)、IMAGING SCIENCE & PHOTOGRAPHIC TECHNOLOGY (Q2)。Remote Sensing 采取单盲同行评审，一审周期约为19天，文章从接收到发表仅需2.9天。