DeepMAO: Deep Multi-scale Aware Overcomplete Network für die Gebäudesegmentierung in Satellitenbildern

Die Segmentierung von Gebäuden in großflächigen Luftbildern ist herausfordernd, insbesondere für kleine Gebäude in dicht bebauten und unübersichtlichen städtischen Umgebungen. Komplexe Gebäudestrukturen mit stark variierenden geometrischen Grundrissen stellen eine zusätzliche Schwierigkeit für die Gebäudesegmentierung in Satellitenbildern dar. In dieser Arbeit stellen wir einen Ansatz zur Erkennung und Segmentierung kleiner und geometrisch komplexer Gebäude in elektrooptischen (EO) und SAR-Satellitenbildern vor. Wir schlagen eine neuartige Architektur, das Deep Multi-scale Aware Overcomplete Network (DeepMAO), vor, die aus einem überbestimmten Zweig besteht, der sich auf feine strukturelle Merkmale konzentriert, und einem unterbestimmten (U-Net-)Zweig, der auf grobe, semantisch reiche Merkmale ausgerichtet ist. Zudem wird eine neuartige selbstregulierende Augmentierungsstrategie, „Loss-Mix“, eingeführt, um die Pixelrepräsentation fehlerhaft klassifizierter Pixel zu erhöhen. DeepMAO ist einfach und effizient bei der präzisen Erkennung kleiner und geometrisch komplexer Gebäude. Experimentelle Ergebnisse auf dem SpaceNet 6-Datensatz, sowohl für EO- als auch für SAR-Modaliäten, sowie auf dem INRIA-Datensatz zeigen, dass DeepMAO eine state-of-the-art-Leistung bei der Gebäudesegmentierung erzielt, einschließlich kleiner und komplex geformter Gebäude, wobei der Parameterumfang nur marginal ansteigt. Darüber hinaus trägt der überbestimmte Zweig in DeepMAO dazu bei, das in SAR-Bildern auftretende Streu- oder „Speckle“-Rauschen effektiv zu reduzieren.