針對遙感圖像道路提取信息丟失問題,提出了一種基于殘差神經(jīng)網(wǎng)絡(luò)的道路提取算法。首先構(gòu)建編碼器-解碼器網(wǎng)絡(luò),結(jié)合預(yù)編碼器以及空洞卷積模塊進(jìn)行訓(xùn)練,提取更多的語義信息;其次并聯(lián)設(shè)計(jì)的空洞卷積模塊加在編碼器-解碼器結(jié)構(gòu)的中間部分,它可以對不同感受野的特征圖進(jìn)行特征提取;最后編碼器-解碼器之間采用跳連的方式進(jìn)行多尺度的特征融合,學(xué)習(xí)更多低維和高維的特征。實(shí)驗(yàn)結(jié)果表明,在Massachusetts道路數(shù)據(jù)集上,該方法相比其他算法在Precision、Recall和F1-score性能指標(biāo)上分別有11%、0.3%和7.4%的提升;同時在Accuracy指標(biāo)上也達(dá)到了97.9%,相比于其他算法,該算法有一定的應(yīng)用價值。

【文章頁數(shù)】：7 頁

【部分圖文】：

圖3空洞卷積

其中，k表示卷積核大小，默認(rèn)設(shè)置為3,n表示空洞卷積率，所以每一分支的感受野大小分別為3、5、9、17，最后一個分支為全局池化操作。圖4空洞卷積模塊

圖4空洞卷積模塊

圖3空洞卷積1.3特征解碼器

圖5解碼器模塊

采用特征解碼器恢復(fù)從空洞卷積模塊獲得的高維語義特征，SkipConnection將從編碼器中獲得一些詳細(xì)的信息，彌補(bǔ)連續(xù)的池化以及跨卷積操作帶來的信息損失，文中采用有效的卷積塊組合的方式，增強(qiáng)解碼的性能。對比不同的網(wǎng)絡(luò)結(jié)構(gòu)，簡單的上采樣和反卷積是U形網(wǎng)絡(luò)中常見的操作，比如常見的....

圖6可視化結(jié)果

提出的算法能夠準(zhǔn)確地提取到了道路的網(wǎng)絡(luò)結(jié)構(gòu)，圖6所示為道路提取可視化的結(jié)果。隨機(jī)選擇了四張預(yù)測結(jié)果進(jìn)行比較，如圖6所示，5層U-Net比7層U-Net的分割結(jié)果好，5層U-Net分割出了更多的道路信息，7層U-Net丟失了許多細(xì)小的道路信息，對于顯著的道路信息兩者都能將大致的道路....

本文編號：3910109