為解決當前深度學習方法在高分辨率遙感圖像中存在識別結(jié)果過度分割,以及小物體識別差的問題,提出一種基于SegNet架構(gòu)改進的網(wǎng)絡(luò)模型AA-SegNet,增加了增強的空間金字塔池化模塊和空間注意力融合模塊。該網(wǎng)絡(luò)可以加強特征傳播并能夠有效傳遞更高級別的特征信息以抑制低級特征的噪聲,并且可以增強小目標特征學習�；诟叻侄栠b感影像制作數(shù)據(jù)集并進行實驗,AA-SegNet網(wǎng)絡(luò)總體識別準確率為96.61%,在識別率、F1分數(shù)以及訓練時間等方面也都優(yōu)于SegNet、U-Net、DeepLab-V3網(wǎng)絡(luò)。 

【文章來源】：計算機工程與應(yīng)用. 2020,56(08)北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

高分辨率影像語義分割技術(shù)流程圖

內(nèi)核大小為3×3且擴張率不同的卷積

SegNet網(wǎng)絡(luò)模型體系結(jié)構(gòu)

【參考文獻】：
期刊論文
[1]歸一化植被指數(shù)研究[J]. 張姍.  綠色科技. 2019(20)
[2]融合判別區(qū)域特征與標簽傳播的顯著性目標檢測[J]. 王明,崔冬,李剛,顧廣華.  燕山大學學報. 2019(05)
[3]多尺度信息融合的遙感圖像語義分割模型[J]. 張靜,靳淇兆,王洪振,達鋮,向世明,潘春洪.  計算機輔助設(shè)計與圖形學學報. 2019(09)
[4]結(jié)合L0平滑和超像素的高空間遙感影像非監(jiān)督分類[J]. 楊澤楠,黃亮,王梟軒,方留楊,宋晶.  全球定位系統(tǒng). 2019(04)
[5]遙感數(shù)據(jù)融合研究進展與文獻定量分析（1992—2018）[J]. 張立福,彭明媛,孫雪劍,岑奕,童慶禧.  遙感學報. 2019(04)
[6]圖像分割技術(shù)在遙感影像地物信息自動提取中的應(yīng)用分析[J]. 程香麗.  四川水泥. 2019(07)
[7]基于改進全卷積神經(jīng)網(wǎng)絡(luò)的玉米葉片病斑分割[J]. 王振,師韻,李玉彬.  計算機工程與應(yīng)用. 2019(22)
[8]改進的卷積神經(jīng)網(wǎng)絡(luò)在醫(yī)學圖像分割上的應(yīng)用[J]. 劉辰,肖志勇,杜年茂.  計算機科學與探索. 2019(09)
[9]基于改進的全卷積神經(jīng)網(wǎng)絡(luò)的路面裂縫分割技術(shù)[J]. 翁飄,陸彥輝,齊憲標,楊守義.  計算機工程與應(yīng)用. 2019(16)
[10]基于模糊最大似然估計算法的遙感影像分割[J]. 徐艷.  測繪與空間地理信息. 2019(01)



本文編號：3087245