發(fā)布時間：2021-10-10 20:22

　　遙感圖像數(shù)據(jù)規(guī)模大,光照、遮擋等情況復雜,目標密集、尺度不一以及缺乏大量帶標注圖像用于訓練深度網(wǎng)絡(luò)等特點對遙感圖像分割的完整性和正確性造成了更大的挑戰(zhàn)。針對深度卷積網(wǎng)絡(luò)中因多次卷積造成分辨率顯著下降,像素類別預(yù)測精度降低的問題,本文在深度卷積編碼—解碼網(wǎng)絡(luò)的基礎(chǔ)上設(shè)計了一個采用完全殘差連接和多尺度特征融合的端到端遙感圖像分割模型。該模型具有兩方面優(yōu)點:首先,長距離和短距離的完全殘差連接既簡化了深層網(wǎng)絡(luò)的訓練,又為本層末端融入了原始輸入信息,增強了特征融合。其次,不同尺度和方式的特征融合使網(wǎng)絡(luò)能夠提取豐富的上下文信息,應(yīng)對目標尺度變化,提升分割性能。本文通過對ISPRS Vaihingen和Road Detection數(shù)據(jù)集做數(shù)據(jù)擴充并進行實驗,分別從平均IOU、平均F1值兩方面對模型進行評價。通過與目前先進的模型以及文獻中的研究成果進行比較,結(jié)果表明本文所提模型優(yōu)于對比模型,在兩個數(shù)據(jù)集上的平均IOU分別達到了85%和84%,平均F1值分別達到了92%和93%,能夠有效提高遙感圖像目標分割的完整性和正確性。 

【文章來源】：遙感學報. 2020,24(09)北大核心EICSCD

【文章頁數(shù)】：14 頁

【部分圖文】：

FRes-MFDNN模型結(jié)構(gòu)

其次，為了獲得精細的分割結(jié)果，本文將編碼器中的特征融合到了解碼器中。許多研究在做該形式的特征融合之時，只是考慮將編碼器各卷積階段最后一層特征圖融合到解碼器中，基于較深卷積層學習到的全局特征更具區(qū)別性的結(jié)論，本文對conv1和conv2階段選擇最后一層卷積特征圖，對conv3、conv4和conv5階段則特別選用所有卷積特征圖來做逐像素相加融合。深度網(wǎng)絡(luò)中多次池化會造成特征信息嚴重丟失，為使模型能夠應(yīng)對多尺度目標，故在conv5階段的特征融合進解碼器之前使用特征金字塔模塊來提取不同尺度下的高級特征。其中使用1×1卷積有助于降低輸入特征圖的維度，從而減少內(nèi)存消耗并縮短訓練和推理時間。最后，為了有效防止梯度消失，本文在編碼器和解碼器對應(yīng)的卷積階段內(nèi)部加入了如圖3的殘差單元，稱為短距離殘差連接。類比圖3殘差單元的原理，可將上述第2點的特征融合連接稱為長距離的殘差連接，它與短距離殘差連接共同構(gòu)成了完全殘差連接，一方面解決了深度模型因?qū)哟渭由畛霈F(xiàn)的梯度消失問題，另一方面針對深度模型因卷積操作造成的特征圖信息損失，完全殘差連接因為不僅融合了多尺度特征，還融合了本層的原始輸入信息，從而在一定程度上對損失的信息做了補充，進一步增強了特征融合。

最后，為了有效防止梯度消失，本文在編碼器和解碼器對應(yīng)的卷積階段內(nèi)部加入了如圖3的殘差單元，稱為短距離殘差連接。類比圖3殘差單元的原理，可將上述第2點的特征融合連接稱為長距離的殘差連接，它與短距離殘差連接共同構(gòu)成了完全殘差連接，一方面解決了深度模型因?qū)哟渭由畛霈F(xiàn)的梯度消失問題，另一方面針對深度模型因卷積操作造成的特征圖信息損失，完全殘差連接因為不僅融合了多尺度特征，還融合了本層的原始輸入信息，從而在一定程度上對損失的信息做了補充，進一步增強了特征融合。2.3 比較算法

【參考文獻】：
期刊論文
[1]弱監(jiān)督深層神經(jīng)網(wǎng)絡(luò)遙感圖像目標檢測模型[J]. 周明非,汪西莉.  中國科學:信息科學. 2018(08)
[2]SRRG-MRF的SAR海冰圖像分割算法[J]. 楊學志,劉燦俊,吳克偉,郎文輝.  遙感學報. 2014(06)
[3]結(jié)合凝聚層次聚類的極化SAR海冰分割[J]. 于波,孟俊敏,張晰,紀永剛.  遙感學報. 2013(04)
[4]Tsallis熵和改進CV模型的海面溢油SAR圖像分割[J]. 吳一全,吉玚,沈毅,張宇飛.  遙感學報. 2012(04)
[5]基于模糊馬爾可夫隨機場的無監(jiān)督遙感圖像分割算法[J]. 鄭瑋,康戈文,陳武凡,李小文.  遙感學報. 2008(02)



本文編號：3429093