針對神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程存在分辨率不斷降低和梯度消失的共性問題,提出一種基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的遙感影像道路提取方法。首先,針對網(wǎng)絡(luò)前向傳播過程分辨率逐漸降低的問題,采用子影像訓(xùn)練網(wǎng)絡(luò)模型,增強(qiáng)網(wǎng)絡(luò)對細(xì)節(jié)信息的獲取,然后應(yīng)用多尺度卷積學(xué)習(xí)獲取不同維度的分層特征,解決由分辨率下降導(dǎo)致的信息缺失問題;其次針對網(wǎng)絡(luò)在反向傳播階段中出現(xiàn)的梯度消失問題,融入殘差連接限制梯度過度更新,改善網(wǎng)絡(luò)的深度受限問題;最后,針對網(wǎng)絡(luò)深度和寬度的挖掘?qū)е碌木W(wǎng)絡(luò)訓(xùn)練效率問題,使用全局均值池化優(yōu)化全連接層中大量的冗余數(shù)據(jù)。大量遙感影像實驗結(jié)果表明,相對于U-Net網(wǎng)絡(luò)和經(jīng)典卷積網(wǎng)絡(luò),該方法在Accuracy和F1值上均具有較大優(yōu)勢。 

【文章來源】：遙感信息. 2020,35(01)北大核心

【文章頁數(shù)】：10 頁

【部分圖文】：

算法流程圖

多尺度卷積學(xué)習(xí)

深度決定著網(wǎng)絡(luò)的分類效果，但深度網(wǎng)絡(luò)訓(xùn)練過程中存在梯度消失和易陷入局部極小值等類似難以攻克的問題。應(yīng)用殘差連接可以很好地改善深層網(wǎng)絡(luò)模型的尋優(yōu)過程，并減少網(wǎng)絡(luò)收斂在時間上的消耗。殘差連接的內(nèi)部傳遞方式如圖3所示。在前向傳播過程中，殘差單元將上一層的輸入x通過函數(shù)F(x）映射到下一層，同時將輸入x直接映射到下一層，等同于在原始單分支模型的結(jié)構(gòu)上增加一條輸入數(shù)據(jù)的恒等映射分支，即“捷徑”（short connection），同時可在一定程度上解決信息損耗的問題。反向傳播階段是解決梯度消失問題的關(guān)鍵。在反向傳播過程中，當(dāng)梯度值從底端輸入時，經(jīng)由線路(2)直接返還，替代了經(jīng)由線路(1)參與2次更新計算使梯度減小的過程。因此，融合殘差連接可以消除深層網(wǎng)絡(luò)中的梯度消失問題，并且更易優(yōu)化，收斂更快。何凱明等通過實驗證明，“捷徑”中不涉及任何梯度值更新計算的設(shè)計方式實驗效果最佳，因此本文殘差連接參考該設(shè)計方式。1.4 全局均值池化

【參考文獻(xiàn)】：
期刊論文
[1]攝影測量與深度學(xué)習(xí)[J]. 龔健雅,季順平.  測繪學(xué)報. 2018(06)
[2]矢量數(shù)據(jù)輔助的高分辨率遙感影像道路自動提取[J]. 丁磊,張保明,郭海濤,盧俊.  遙感學(xué)報. 2017(01)
[3]卷積神經(jīng)網(wǎng)絡(luò)在高分遙感影像分類中的應(yīng)用[J]. 曹林林,李海濤,韓顏順,余凡,顧海燕.  測繪科學(xué). 2016(09)
[4]一種高分辨率影像道路中心線提取算法[J]. 苗則朗,史文中,張華.  中國礦業(yè)大學(xué)學(xué)報. 2013(05)



本文編號：2976160