傳統(tǒng)基于光譜信息的水體提取未能考慮水體形狀、紋理、大小、相鄰關(guān)系等問(wèn)題,且存在同物異譜、異物同譜現(xiàn)象,導(dǎo)致水體提取精度較低。而傳統(tǒng)基于分類提取水體方法設(shè)計(jì)特征過(guò)程較為繁瑣,且不能挖掘深度信息特征。因此,本文提出改進(jìn)的U-Net網(wǎng)絡(luò)語(yǔ)義分割方法,借鑒經(jīng)典U-Net網(wǎng)絡(luò)的解編碼結(jié)構(gòu)對(duì)網(wǎng)絡(luò)進(jìn)行改進(jìn):①將VGG網(wǎng)絡(luò)用于收縮路徑以提取特征;②在擴(kuò)張路徑中對(duì)低維特征信息進(jìn)行加強(qiáng),將收縮特征金字塔上一層的特征圖與下一層對(duì)應(yīng)擴(kuò)張路徑上的特征圖進(jìn)行融合,以提高提取結(jié)果分割精度;③在分類后處理中引入條件隨機(jī)場(chǎng),以將分割結(jié)果精細(xì)化。在保持相同訓(xùn)練集、驗(yàn)證集和測(cè)試集的情況下,分別用SegNet、經(jīng)典U-Net網(wǎng)絡(luò)和改進(jìn)的U-Net網(wǎng)絡(luò)做對(duì)照試驗(yàn)。試驗(yàn)結(jié)果表明,改進(jìn)的U-Net網(wǎng)絡(luò)結(jié)構(gòu)在IoU、精準(zhǔn)率和Kappa系數(shù)指標(biāo)上均高于SegNet和經(jīng)典U-Net網(wǎng)絡(luò),與SegNet相比,3項(xiàng)指標(biāo)分別提升了10.5%、12.3%和0.14,與經(jīng)典U-Net網(wǎng)絡(luò)結(jié)果相比,各個(gè)指標(biāo)分別提升了5.8%、4.4%和0.05。改進(jìn)的網(wǎng)絡(luò)水體提取結(jié)果較為完整,對(duì)小目標(biāo)水體能夠準(zhǔn)確提取。改進(jìn)的U-Net網(wǎng)絡(luò)能夠有效地實(shí)現(xiàn)水體提取任務(wù)... 

【文章來(lái)源】：地球信息科學(xué)學(xué)報(bào). 2020,22(10)北大核心

【文章頁(yè)數(shù)】：13 頁(yè)

【部分圖文】：

水體提取技術(shù)路線

圖2左半部分收縮路徑是典型的卷積結(jié)構(gòu)，包含連續(xù)2個(gè)3×3卷積核層，卷積后的特征圖利用ReLU函數(shù)進(jìn)行非線性激活，下采樣方法采用最大池化，每次下采樣操作都將特征圖通道數(shù)增加2倍，同時(shí)將圖像尺寸縮小2倍。擴(kuò)張路徑中，對(duì)特征圖進(jìn)行反卷積，使特征圖尺寸擴(kuò)大2倍，與對(duì)應(yīng)收縮路徑中的特征圖進(jìn)行拼接，以利用低維特征信息，對(duì)拼接后的特征圖進(jìn)行連續(xù)2次卷積操作，再利用Re LU函數(shù)激活。在最后的輸出層中利用1×1卷積核對(duì)特征圖進(jìn)行卷積，生成與對(duì)應(yīng)類別數(shù)相同的維數(shù)，同時(shí)還原圖像的尺寸大小。在收縮路徑中，每次池化操作之前，特征圖都將被保存，并通過(guò)跳躍連接的方式將保存的特征圖傳遞給對(duì)應(yīng)尺度的擴(kuò)張路徑，從而為擴(kuò)張路徑提供不同尺度的特征信息。通過(guò)跳躍連接的方式，恢復(fù)由于最大池化操作降低分辨率帶來(lái)的空間信息損失，為擴(kuò)張路徑提供不同分辨率的特征。2.3 VGG16預(yù)編碼與低維信息特征加強(qiáng)

全連接條件隨機(jī)場(chǎng)后處理模型[26]


本文編號(hào)：2973915