摘要:针对现有遥感影像建筑物提取算法存在的检测速度慢、精度较低、泛化能力弱等问题,本文采用了一种基于卷积神经网络的建筑物提取模型。在特征提取结构中,利用带有密集连接的卷积核组构成特征提取单元,同时采用注意力模块让模型学习到更多的建筑物样本特征;在特征增强结构中,首先将所有特征提取结构输出的特征图以上、下采样的方式融合成唯一的特征图,再对其进行二次上、下采样,获得信息更加丰富的四幅不同尺度特征图实施最终提取。实验结果表明:本文模型能对复杂环境下建筑物目标实施精准提取,并且模型泛化能力良好,精度均值能达到0.93,较主流检测模型R-FCN、YOLOv4、RetinaNet以及SSD分别提高了4.49%、13.41%、22.37%与34.78%,在测试环境下的检测速度达到31.3帧/秒,能够达到实时检测水准。因在特征提取结构中使用密集连接模块与注意力模块,让模型获取更多特征信息的同时专注于学习建筑物目标特征,同时在特征增强结构中输出的特征图融合了更丰富的特征信息,使本文模型在检测精度与泛化能力方面有了显著提高。