發(fā)布時(shí)間：2024-05-27 23:46

　　傳統(tǒng)的基于光譜相似性的分割方法無(wú)法將具有相似光譜特性的不同地物分割開來(lái),并且會(huì)存在錯(cuò)分現(xiàn)象。利用深度學(xué)習(xí)直接進(jìn)行三類地物的分割,其分割效果不能滿足實(shí)際要求。本文改進(jìn)了最新的UNet++模型,提出一種將三分類分割問(wèn)題分解成兩個(gè)二分類分割的方法來(lái)提高分割精度。首先將三類別樣本制作為兩個(gè)單類別樣本;其次分別訓(xùn)練二分類網(wǎng)絡(luò),在測(cè)試集上將二分類結(jié)果輸出為0～100之間的概率;最后將二分類結(jié)果按概率融合為三分類。實(shí)驗(yàn)結(jié)果表明,改進(jìn)的UNet++模型精度有顯著提升,同時(shí)將三分類化為二分類算法的分割結(jié)果,其各項(xiàng)評(píng)估指標(biāo)也均有提升,平均交并比MIoU、平均精確度MP、平均召回率MR和平均像素精度MPA分別提高了0.3%、1.8%、1.5%和4.5%。

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

圖1UNet++和改進(jìn)后的模型結(jié)構(gòu)圖

UNet++網(wǎng)絡(luò)由UNet網(wǎng)絡(luò)發(fā)展而來(lái),把不同層數(shù)的多個(gè)UNet采用denseNet的連接方式進(jìn)行了融合,相當(dāng)于同時(shí)訓(xùn)練了多個(gè)UNet網(wǎng)絡(luò),有效地解決了UNet層數(shù)固定后不能有效提取特征的問(wèn)題。UNet++和改進(jìn)后的模型結(jié)構(gòu)圖網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。圖1(a)中,X0,1、X0,2....

圖2UNet++直接三分類與分別作二分類后融合的結(jié)果對(duì)比

表4直接三分類與二分類融合結(jié)果的評(píng)價(jià)指標(biāo)對(duì)比%分類方法平均交并比平均精確度平均召回率平均像素精度原始UNet++直接三分類58.064.685.874.0原始UNet++二分類融合71.384.682.090.0本文改進(jìn)的UNet++直接三分類....

圖3改進(jìn)的UNet++直接三分類與分別作二分類后融合的結(jié)果對(duì)比

圖2UNet++直接三分類與分別作二分類后融合的結(jié)果對(duì)比綜合比對(duì)圖2、圖3可看出,采用本文改進(jìn)的UNet++模型,其直接三分類和二分類融合結(jié)果的預(yù)測(cè)效果均優(yōu)于原始UNet++模型,進(jìn)一步證明了本文所提算法的有效性。

本文編號(hào)：3983197