目的遙感圖像語義分割是根據(jù)土地覆蓋類型對(duì)圖像中每個(gè)像素進(jìn)行分類,是遙感圖像處理領(lǐng)域的一個(gè)重要研究方向。由于遙感圖像包含的地物尺度差別大、地物邊界復(fù)雜等原因,準(zhǔn)確提取遙感圖像特征具有一定難度,使得精確分割遙感圖像比較困難。卷積神經(jīng)網(wǎng)絡(luò)因其自主分層提取圖像特征的特點(diǎn)逐步成為圖像處理領(lǐng)域的主流算法,本文將基于殘差密集空間金字塔的卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于城市地區(qū)遙感圖像分割,以提升高分辨率城市地區(qū)遙感影像語義分割的精度。方法模型將帶孔卷積引入殘差網(wǎng)絡(luò),代替網(wǎng)絡(luò)中的下采樣操作,在擴(kuò)大特征圖感受野的同時(shí)能夠保持特征圖尺寸不變;模型基于密集連接機(jī)制級(jí)聯(lián)空間金字塔結(jié)構(gòu)各分支,每個(gè)分支的輸出都有更加密集的感受野信息;模型利用跳線連接跨層融合網(wǎng)絡(luò)特征,結(jié)合網(wǎng)絡(luò)中的高層語義特征和低層紋理特征恢復(fù)空間信息。結(jié)果基于ISPRS （International Society for Photogrammetry and Remote Sensing） Vaihingen地區(qū)遙感數(shù)據(jù)集展開充分的實(shí)驗(yàn)研究,實(shí)驗(yàn)結(jié)果表明,本文模型在6種不同的地物分類上的平均交并比和平均F₁值分別達(dá)到69.88%和81.... 

【文章來源】：中國圖象圖形學(xué)報(bào). 2020,25(12)北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

語義分割實(shí)例

本文模型結(jié)構(gòu)包含3部分，如圖2所示。1)基于帶孔卷積改進(jìn)的殘差網(wǎng)絡(luò)(圖2中深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional neural network,DCNN))部分用于提取特征;2)基于密集連接改進(jìn)的空洞空間卷積池化金字塔(atrous spatial pyramid pooling,AS-PP)模塊，用于提取和融合多尺度特征;3)解碼器，采用跳連接融合高低信息進(jìn)行簡單解碼，輸出語義分割圖。1.2 空洞卷積殘差網(wǎng)絡(luò)

式中，Concat(·)表示對(duì)特征圖做第1維度上的拼接操作，Hr,n(X)為采樣率為r、卷積核大小為n的帶孔卷積，Ipooling指圖3中image pooling分支的圖像級(jí)特征，即輸入特征圖的平均池化特征。1.4 解碼器

【參考文獻(xiàn)】：
碩士論文
[1]基于深度學(xué)習(xí)技術(shù)的高分辨率遙感影像建設(shè)用地信息提取研究[D]. 馮麗英.浙江大學(xué) 2017



本文編號(hào)：2994499