基于生成對抗網(wǎng)的高分辨率遙感影像道路提取
發(fā)布時間：2020-09-01 07:39
高分辨率遙感影像包含豐富的地物信息,為其后續(xù)解譯打下了良好的數(shù)據(jù)基礎(chǔ),其中道路提取是高分辨遙感影像處理中的一個重要研究內(nèi)容,在許多領(lǐng)域與場景中有不可替代的作用。而傳統(tǒng)的道路提取方法無法準確提取圖像中有判別性的信息,導致傳統(tǒng)方法道路提取結(jié)果不準確且自動化與智能化程度偏低。而基于深度學習的主流方法雖然在提取結(jié)果上有所提升,但無法很好的處理遙感影像處理中的小樣本問題,需要大量的數(shù)據(jù)增強與預處理和后處理操作,增加了計算與儲存資源的消耗。針對上述問題,本文基于深度學習中的生成對抗網(wǎng)提出了基于語義嵌入生成對抗網(wǎng)的道路提取方法,提高了小樣本情況下道路提取的性能;提出了基于弱監(jiān)督多尺度語義嵌入生成對抗網(wǎng)的高分辨遙感影像多等級道路提取方法,提高了對路寬差異較大的道路提取性能,同時進一步緩解了由于小樣本問題對模型效果的限制;提出了基于生成對抗網(wǎng)的遙感影像道路去遮擋方法,避免了由于遙感影像中經(jīng)常出現(xiàn)的遮擋問題而對道路提取結(jié)果帶來的負面影響,增強了模型在實際應用中的魯棒性。本文的主要工作總結(jié)如下:1.提出了一種基于語義嵌入生成對抗網(wǎng)絡(luò)的遙感影像道路提取方法,該方法將道路提取任務看作是一種特殊的圖像翻譯任務,利用生成對抗網(wǎng)由遙感圖像直接生成道路類標圖,同時損失函數(shù)在使用生成對抗網(wǎng)損失的基礎(chǔ)上添加語義嵌入損失,在細節(jié)上進一步約束生成圖像的質(zhì)量。該方法是一個完全端到端的道路提取框架,在遙感影像小樣本的條件下也能取得優(yōu)異的性能。2.提出了一種基于弱監(jiān)督多尺度語義嵌入生成對抗網(wǎng)的多等級道路提取方法,通過使用多通道生成網(wǎng)絡(luò)模型對遙感影像中的多尺度道路進行準確提取,同時降低了模型參數(shù)量;利用漸進式生成網(wǎng)絡(luò)生成更多的高分辨遙感影像樣本結(jié)合弱監(jiān)督策略為深度網(wǎng)絡(luò)的訓練提供了更多的有標注樣本,一定程度上緩解了小樣本問題帶來的模型性能下降。3.提出了一種基于生成對抗網(wǎng)的遙感影像道路去遮擋方法,該方法摒棄了傳統(tǒng)遙感影像去云霧的思想,使用生成網(wǎng)絡(luò)直接生成遮擋區(qū)域的信息從而進行補全,可以在沒有遮擋位置先驗知識的情況下較好的修復缺失信息,應用范圍更加廣泛。
【學位單位】：西安電子科技大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP751;TP183;U491
【部分圖文】：
第一章 緒論迎來了蓬勃發(fā)展，大量改進模型如雨后春筍一般層出不窮，如全卷積神經(jīng)網(wǎng)絡(luò)ullyConvolutionalNetwork，F(xiàn)CN）[2]、深度殘差神經(jīng)網(wǎng)絡(luò)（DeepResidualNetwork，sNet）[3]、遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）[4]、長短時記憶網(wǎng)絡(luò)ongShortTimeMemory，LSTM）[5]、生成對抗網(wǎng)（GenerativeAdversarialNet，GAN），且深度學習所涉及的領(lǐng)域也越來越廣泛，從圖像到文本與音頻、從自動駕駛到航天，越來越多的行業(yè)中都出現(xiàn)了深度學習的身影，加之 GPU 技術(shù)的快速發(fā)展，多層數(shù)的神經(jīng)網(wǎng)絡(luò)與更大規(guī)模的數(shù)據(jù)處理提供了運算速度的保障。學術(shù)界和工業(yè)飽滿的熱情將大量的資源投入在了深度學習的研究之中，而深度學習的理論與模正以前所未有的速度蓬勃發(fā)展。
西安電子科技大學碩士學位論文基于卷積神經(jīng)網(wǎng)絡(luò)的遙感影像道路提取將道路提取任務看作是一個像素級二分類（道路、背景）的任務，不同于對整張輸入圖像的分類，我們需要將輸入遙感圖像中的每一個像素點進行分類。因此，基于卷積神經(jīng)網(wǎng)絡(luò)的道路提取通常會在輸入圖像上依次取T × T（一般T 取奇數(shù)）的臨域滑窗，將其送入卷積神經(jīng)網(wǎng)絡(luò)中進行分類[42][43]，輸出中心像元或者中心N × N（ N < T）的類別，滑窗步長取1（只輸出中心像元類別時）或 N （輸出中心 N × N類別時）。當滑窗遍歷這個圖像后，我們將多個輸出一次拼接即可的到整個輸入圖像的像素級分類圖，其過程如圖 2.2 所示。
西安電子科技大學碩士學位論文通道彩色圖像）到道路與背景的類標圖（單通道二值圖像）是從一個域到另一個域的轉(zhuǎn)換，如圖 1-1；2）遙感圖像與二值類標圖直接有強相關(guān)的約束（如圖 1-1，二值圖中白色部分對應遙感圖像中的道路，黑色部分對應非道路），即兩者之間的映射是唯一的。因此，遙感影像中的道路提取任務完全可以被當作圖像翻譯的一種特殊形式來處理，基于這種思想，結(jié)合生成對抗網(wǎng)的相關(guān)理論，提出如圖 3.1 所示框架來進行端到端的道路提取任務。
【學位單位】：西安電子科技大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP751;TP183;U491
【部分圖文】：
第一章 緒論迎來了蓬勃發(fā)展，大量改進模型如雨后春筍一般層出不窮，如全卷積神經(jīng)網(wǎng)絡(luò)ullyConvolutionalNetwork，F(xiàn)CN）[2]、深度殘差神經(jīng)網(wǎng)絡(luò)（DeepResidualNetwork，sNet）[3]、遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）[4]、長短時記憶網(wǎng)絡(luò)ongShortTimeMemory，LSTM）[5]、生成對抗網(wǎng)（GenerativeAdversarialNet，GAN），且深度學習所涉及的領(lǐng)域也越來越廣泛，從圖像到文本與音頻、從自動駕駛到航天，越來越多的行業(yè)中都出現(xiàn)了深度學習的身影，加之 GPU 技術(shù)的快速發(fā)展，多層數(shù)的神經(jīng)網(wǎng)絡(luò)與更大規(guī)模的數(shù)據(jù)處理提供了運算速度的保障。學術(shù)界和工業(yè)飽滿的熱情將大量的資源投入在了深度學習的研究之中，而深度學習的理論與模正以前所未有的速度蓬勃發(fā)展。
西安電子科技大學碩士學位論文基于卷積神經(jīng)網(wǎng)絡(luò)的遙感影像道路提取將道路提取任務看作是一個像素級二分類（道路、背景）的任務，不同于對整張輸入圖像的分類，我們需要將輸入遙感圖像中的每一個像素點進行分類。因此，基于卷積神經(jīng)網(wǎng)絡(luò)的道路提取通常會在輸入圖像上依次取T × T（一般T 取奇數(shù)）的臨域滑窗，將其送入卷積神經(jīng)網(wǎng)絡(luò)中進行分類[42][43]，輸出中心像元或者中心N × N（ N < T）的類別，滑窗步長取1（只輸出中心像元類別時）或 N （輸出中心 N × N類別時）。當滑窗遍歷這個圖像后，我們將多個輸出一次拼接即可的到整個輸入圖像的像素級分類圖，其過程如圖 2.2 所示。
西安電子科技大學碩士學位論文通道彩色圖像）到道路與背景的類標圖（單通道二值圖像）是從一個域到另一個域的轉(zhuǎn)換，如圖 1-1；2）遙感圖像與二值類標圖直接有強相關(guān)的約束（如圖 1-1，二值圖中白色部分對應遙感圖像中的道路，黑色部分對應非道路），即兩者之間的映射是唯一的。因此，遙感影像中的道路提取任務完全可以被當作圖像翻譯的一種特殊形式來處理，基于這種思想，結(jié)合生成對抗網(wǎng)的相關(guān)理論，提出如圖 3.1 所示框架來進行端到端的道路提取任務。
【相似文獻】
相關(guān)期刊論文 前10條
1 袁如金;張敏;李世偉;;基于華浩超算平臺遙感影像幾何校正研究——以資源一號02C數(shù)據(jù)為例[J];測繪與空間地理信息;2017年01期
2 馬慧云;吳曉京;趙國慶;姜丙波;;遙感影像反演的霧參數(shù)地區(qū)差異性分析[J];遙感信息;2017年03期
3 雒培磊;李國慶;曾怡;;一種改進的基于深度學習的遙感影像拼接方法[J];計算機工程與應用;2017年20期
4 鄢詠折;范曉燕;;遙感影像變化監(jiān)測方法簡述[J];城市建設(shè)理論研究(電子版);2017年22期
5 蔡紅s
本文編號：2809449
本文鏈接：http://sikaile.net/kejilunwen/daoluqiaoliang/2809449.html
