針對傳統(tǒng)機(jī)器學(xué)習(xí)方法提取建筑物,耗時(shí)長和精度低的問題。文中選用深度學(xué)習(xí)中的SegNet語義分割模型進(jìn)行算法改進(jìn),提出了一種基于稀疏約束SegNet的高分辨率遙感影像建筑物提取算法。首先對SegNet模型加入正則項(xiàng)和Dropout,大大降低了模型過擬合現(xiàn)象的發(fā)生;其次為了模型能夠提取更豐富的語義特征,算法引入金字塔池化模塊;最后對SPNet模型引入Lorentz函數(shù)稀疏約束因子,構(gòu)造新的語義分割模型LSPNet.為了驗(yàn)證提出算法的可靠性和適用性,使用優(yōu)化LSPNet模型對高分辨率數(shù)據(jù)集中的建筑物識別和提取。實(shí)驗(yàn)結(jié)果表明,該方法與傳統(tǒng)機(jī)器學(xué)習(xí)方法相比較,有著快速收斂、精度高的優(yōu)勢,并且具有很好的應(yīng)用前景。

【文章頁數(shù)】：8 頁

【部分圖文】：

圖2ReLU函數(shù)

圖1SegNet網(wǎng)絡(luò)結(jié)構(gòu)將經(jīng)過編碼器得到的特征圖利用最大池化像素的索引值來進(jìn)行上采樣操作;同時(shí)對生成的特征圖再次進(jìn)行卷積計(jì)算,得到密集特征圖;最后將產(chǎn)生的多通道特征圖通過Sigmoid分類器進(jìn)行操作,輸出端對端的語義分割圖像。

圖3池化操作

原始SegNet模型中,如圖3所示的池化層操作會導(dǎo)致影像丟失少量的高頻成分,產(chǎn)生鈍化的模糊塊并丟失像素位置和空間信息。為解決這一問題,考慮引入金字塔模塊。金字塔池化模塊根據(jù)不同粗細(xì)尺度進(jìn)行特征融合,不同尺度級別的輸出包含不同大小的特征圖,但是都采用1*1卷積層把上下文表示的維數(shù)降....

圖4金字塔池化模塊

金字塔池化模塊根據(jù)不同粗細(xì)尺度進(jìn)行特征融合,不同尺度級別的輸出包含不同大小的特征圖,但是都采用1*1卷積層把上下文表示的維數(shù)降低為原來的1/N,其中N表示加細(xì)級別的大小,再把低維特征圖通過雙線性插值進(jìn)行上采樣,以獲得相同大小的特征。最粗尺度利用全局平均池化對特征圖進(jìn)行單格輸出,在....

圖5LSPNet模型結(jié)構(gòu)

算法模型參考了SPSNet模型,將池化層改用金字塔池化模塊;同時(shí)利用增加了稀疏約束因子的損失函數(shù)計(jì)算輸出值與標(biāo)簽值的差異,加快了誤差反向傳遞算法對權(quán)重和偏置項(xiàng)更新的速度,減少了訓(xùn)練時(shí)長。LSPNet模型主要結(jié)構(gòu)如圖5所示。2結(jié)果評價(jià)指標(biāo)

本文編號：3932459