摘要

建筑物提取旨在从遥感图像中分割出建筑物像素，在城市规划和城市动态监测等许多应用中发挥着重要作用。近年来，具有编码器-解码器架构的深度学习方法由于其强大的特征表示能力而取得了显著的性能。然而，由于建筑物的尺度和风格各异，传统的深度学习模型通常会遇到不确定预测的问题，无法准确区分复杂地面物体分布中的完整建筑轮廓，导致较大的遗漏和误报。本文认识到不确定预测的重要性，提出了一种新颖且简单的不确定性感知网络（Uncertainty-Aware Network, UANet）来缓解这一问题。为了验证所提出的UANet的性能，我们在三个公开的建筑物数据集上进行了广泛的实验，包括武汉大学建筑物数据集（WHU building dataset）、马萨诸塞州建筑物数据集（Massachusetts building dataset）和Inria航空图像数据集（Inria aerial image dataset）。实验结果表明，所提出的UANet在性能上大幅优于其他最先进的算法。