用于突尼斯建筑分割的量子辅助注意力 U-Net，采用 Sentinel-1 数据-计算机科学-卷积神经网络-U-Net-合成孔径雷达.pdfVIP

JOINTURBANREMOTESENSINGEVENT(JURSE)20251

用于突尼斯建筑分割的量子辅助注意力

U-Net，采用Sentinel-1数据

LuigiRusso,StudentMember,IEEE,FrancescoMauro,StudentMember,IEEE,

BabakMemar,StudentMember,IEEE,AlessandroSebastianelli,Member,IEEE,

SilviaL.Ullo,SeniorMember,IEEE,andPaoloGamba,Fellow,IEEE

摘要—城市地区的建筑分割在城市规划、灾害响应和人口且基于预期用途大小和形式有所不同，这增加了它们的

地图绘制等领域至关重要。然而，由于卫星图像尺寸大且分辨率几何复杂度[2],[3]。一些前沿（SOTA）研究集中在对

高，在密集的城市区域准确地进行建筑分割存在挑战。本研究探城市区域进行2D分析，旨在分割建筑物并从高分辨率

本讨了使用Quanvolutional预处理来增强AttentionU-Net

图像中提取有用信息。例如，Chen等人。[4]结合了颜

译模型在建筑分割中的能力。具体而言，本文重点关注突尼斯的城色归一化、超分辨率、场景分类、建筑提取和拼接技术

中市景观，并利用Sentinel-1合成孔径雷达（SAR）图像。来从日本的超分辨率图像中提取建筑物。类似地，[5]应

在这项工作中，使用了Quanvolution来提取更具信息量

1的特征图，这些特征图能够捕捉雷达图像中的重要结构细节，证用了Sentinel-2数据和超分辨率以改善分割效果。近年

v

2明对建筑物分割的准确性有益。初步结果显示，所提出的方法在来，深度学习（DL）模型，尤其是U-Net[6]，在捕获

5实现与标准AttentionU-Net模型相当的测试准确率的同时，分割任务的空间细节方面表现出巨大潜力。许多研究利

8

3显著减少了网络参数。这一结果与先前的研究成果一致，证实了用了遥感中的DL技术来识别和勾勒出城市环境中的建

1Quanvolution不仅保持了模型的准确性，还提高了计算效率。

7.这些令人鼓舞的结果突显了量子辅助深度学习框架在城市环境筑物。例如，Memar等人。[7]将U-Net模型应用于来

0中大规模建筑物分割方面的潜力。自COSMO-SkyMed(CSK)的超高分辨率图像，而带

5

2IndexTerms—卷积神经网络，U-Net，神经网络，深度有选择性空间金字塔扩张（SSPD）和上下文平衡模块

:

v学习，合成孔径雷达，Sentinel-1，量子，Quanvolution.（CBM）的编解码网络改进了基于SAR的建筑物检测

i

x[8]。Sikdar等人提出了一个完全复数全卷积多特征融合

r

aI.介绍网络(FC2MFN)，该网络结合了SAR相位信息[9]。引

入了一种双注意力U-Net（DAU-Net），用于基于SAR

UILDING在城市区域的分割对于城市规划、灾

的海冰和开阔水域监测[10]，DeepMAO是一个将SAR

B害管理和人口追踪等应用至关重要。随着城市化

和EO图像相结合的双分支网络，在密集城市区域中改

进程和卫星成像技术的进步，对准确分割方法的需求