為準確分割出高分辨率遙感圖像中的建筑地物,提出一種基于Unet網(wǎng)絡多任務學習的建筑地物語義分割方法。首先,根據(jù)遙感圖像建筑地物真值圖生成邊界距離圖,并將該遙感圖像及其真值圖共同作為Unet網(wǎng)絡的輸入;然后,在基于Res Net網(wǎng)絡構建的Unet網(wǎng)絡末端加入建筑地物預測層與邊界距離預測層,搭建多任務網(wǎng)絡;最后,定義多任務網(wǎng)絡的損失函數(shù),并使用Adam優(yōu)化算法訓練該網(wǎng)絡。在Inria航空遙感圖像建筑地物標注數(shù)據(jù)集上進行實驗,結果表明,與全卷積網(wǎng)絡結合多層感知器方法相比,VGG16網(wǎng)絡、VGG16+邊界預測、Res Net50和本文方法的交并比值分別提升5.15,6.94,6.41和7.86百分點,準確度分別提升至94.71%,95.39%,95.30%和96.10%,可實現(xiàn)高精度的建筑地物提取。 

【文章來源】：國土資源遙感. 2020,32(04)北大核心CSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

多任務網(wǎng)絡結構

影響基于深度學習的語義分割方法時效性的2個關鍵因素為將所有訓練樣本輸入到網(wǎng)絡訓練一個周期所需的時間和網(wǎng)絡的收斂速率。為此，不同方法分別在訓練集與驗證集上進行測試時，其損失值隨訓練周期增加的變化趨勢如圖2所示。為了進行公平對比，5種不同方法訓練的優(yōu)化均采用Adam算法。從圖2(a)不同方法在訓練集上的損失值變化趨勢可以看出，F(xiàn)CN+MLP基準方法的損失值降低速率最慢，而本文方法的損失值降低速率最快，表明本文方法可以在更少的訓練周期內(nèi)獲得網(wǎng)絡收斂。此外，Res Net50和VGG16+邊界預測的損失值降低速率基本持平，亦表明加入邊界預測層的多任務網(wǎng)絡可使單一任務的Unet網(wǎng)絡具有更好的性能。從圖2(b)在驗證集上的損失值變化趨勢可以看出，本文方法的曲線波動較小，表明本文方法可有效避免過擬合或欠擬合現(xiàn)象，從而使網(wǎng)絡收斂加快，減少網(wǎng)絡訓練時間。

河南省新鄉(xiāng)市高新區(qū)的覆蓋范圍達52 km2，包含建筑、道路、植被、裸地和水體等多種地物類型。以我國高分2號衛(wèi)星于2018年4月16日拍攝的該區(qū)域?qū)嶋H遙感圖像為例，不同方法分割該實際遙感圖像建筑地物的實驗結果如圖3所示。結合圖3(a)遙感圖像的目視解譯，從圖3可以看出FCN-MLP和VGG16方法存在過分割現(xiàn)象，究其原因是它們將部分道路或鄰近建筑地物誤分割為同一建筑地物，尤其FCN+MLP方法的誤分割現(xiàn)象較為嚴重;VGG16+邊界檢測方法，較VGG16方法建筑地物邊緣部分更為準確;而Res Net50方法對建筑地物則存在欠分割現(xiàn)象，這是由于該方法對邊緣檢測不夠準確的緣故。如上節(jié)所述，本文方法擅長準確地分割小規(guī)模建筑地物，故其對該覆蓋范圍較大、包含較多類型地物的實際遙感圖像的建筑地物分割較為準確。通過對圖3(f)像素數(shù)目的計算，并與該研究區(qū)域2017年的統(tǒng)計年鑒資料對比，本文方法對該實際遙感圖像建筑地物的分割準確度Acc值為86.93%。

【參考文獻】：
期刊論文
[1]基于全卷積神經(jīng)網(wǎng)絡的多源高分辨率遙感道路提取[J]. 張永宏,夏廣浩,闞希,何靜,葛濤濤,王劍庚.  計算機應用. 2018(07)
[2]基于鄰域總變分和勢直方圖函數(shù)的高分辨率遙感影像建筑物提取[J]. 施文灶,劉金清.  計算機應用. 2017(06)



本文編號：3485347