深度語義分割模型作為解決圖像像素級(jí)分類的重要方法,在遙感圖像分類中的應(yīng)用受到遙感像素級(jí)標(biāo)記數(shù)據(jù)不足的制約,在有限數(shù)據(jù)的情況下訓(xùn)練后的網(wǎng)絡(luò)難以有效提取遙感圖像特征。為此,將具有圖像級(jí)標(biāo)記的遙感場景分類數(shù)據(jù)應(yīng)用到語義分割模型訓(xùn)練中。利用遙感場景分類數(shù)據(jù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型,并以其為基礎(chǔ)構(gòu)建語義分割網(wǎng)絡(luò)的特征提取部分,從而提高語義分割模型提取遙感圖像特征的能力。在訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的過程中,對訓(xùn)練數(shù)據(jù)基于后驗(yàn)概率進(jìn)行類別映射與平衡,使其更貼近目標(biāo)任務(wù)的遙感圖像。實(shí)驗(yàn)結(jié)合場景分類數(shù)據(jù)集UC Merced Landuse訓(xùn)練語義分割模型,在高分辨率遙感數(shù)據(jù)集Potsdam上獲得了89.50%的總體分類準(zhǔn)確率,證明該方法提高了語義分割模型在遙感數(shù)據(jù)上的像素級(jí)分類效果。 

【文章來源】：計(jì)算機(jī)應(yīng)用與軟件. 2020,37(06)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

共享卷積層的遙感圖像場景分類網(wǎng)絡(luò)與

圖2展示了采用場景分類數(shù)據(jù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)不同輪數(shù)后構(gòu)建的FCN模型在語義分割訓(xùn)練開始階段模型損失的變化情況。為了便于比較,學(xué)習(xí)率被固定為10-4。明顯地,采用場景分類數(shù)據(jù)先對卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練后構(gòu)建的FCN模型可以更快擬合,其中表現(xiàn)最好的情況為在構(gòu)建FCN前使用場景分類數(shù)據(jù)對卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練100輪。比較模型在語義分割模型訓(xùn)練開始前(訓(xùn)練輪數(shù)為0輪時(shí))的模型表現(xiàn)可以發(fā)現(xiàn),對卷積神經(jīng)網(wǎng)絡(luò)預(yù)訓(xùn)練后構(gòu)建的FCN模型在初始情況的模型損失大幅降低,在最好的情況下(預(yù)訓(xùn)練100輪),模型的損失相比不預(yù)訓(xùn)練的情況從122.18下降到了43.51。這證明采用遙感場景分類數(shù)據(jù)對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練可以幫助語義分割模型更快地進(jìn)行擬合。4 結(jié) 語


本文編號(hào)：3519701