基于深度学习的遥感影像语义分割方法研究

发布时间：2020-11-17 19:34

　　 遥感对地观测技术是一种快速、高效的数据获取方法,获得的影像数据在包括林业在内的多个行业被广泛应用。语义分割是林业遥感影像分析中主要的应用之一,与影像分类相比,能够获取遥感影像中更为丰富的语义类别信息,并为生态监测、退耕还林等任务提供决策信息。研究快速、精准的语义分割方法对于林业具有重要的意义。由于遥感影像中林木具有分布无序,形态无规则等特点,基于深度学习的经典语义分割模型U-Net无法对林木达到较高的语义分割精度,此外,U-Net还具有模型复杂度高、计算耗时、对类别不平衡数据集的语义分割效果欠佳等主要问题。对于上述问题,本文对经典语义分割神经网络U-Net进行多步结构优化,提出用于林木/背景二类别语义分割的神经网络STS-Net(Simplified Tree Segmentation Network);对语义分割数据集内存在的类别不平衡问题,提出类别敏感加权损失函数;对于使用遥感瓦片语义分割结果拼接得到的大幅面语义分割图的平滑度欠佳的问题,提出重叠预测后处理算法。本文的主要工作如下:(1)以提升神经典语义分割经网络U-Net的语义分割精度、减少神经网络复杂度及加快神经网络运算速度为目标,使用4步结构改进方法优化神经网络模型,并提出STS-Net语义分割神经网络。改进方法包括使用紧凑卷积模块替代标准卷积层、裁剪网络中不必要的计算模块、使用残差连接增强卷积模块、使用改进的级联空洞卷积增强卷积模块序列。实验结果证明与经典语义分割网络U-Net相比,STS-Net以更少模型权重、更快的运行速度,达到了更高的语义分割精度。(2)为改善遥感影像语义分割数据集内的类别不平衡问题,提出了类别敏感加权损失函数。所提出的损失函数使用当前时刻神经网络对每一像素的语义分割精度,作为可变权重因子改进经典交叉熵损失函数,能够降低已经达到较高语义分割精度的像素点在损失函数平均值中所占的比重,实现类别均衡化处理。实验证明与经典交叉熵损失函数相比,类别敏感加权损失函数能够提升神经网络对类别不平衡数据集内小类别样本像素点的分割精度。(3)在使用遥感瓦片语义分割结果拼接为大幅面遥感影像语义分割图后,出现图内局部语义分割不连续的问题,对此提出重叠预测后处理算法。该算法使用单模型多数据副本的处理策略,对相邻遥感瓦片的重叠区域,首先合并神经网络对同一像素在各瓦片中像素副本的分割结果,再计算得到大幅面语义分割图中该像素点的最终语义类别。实验证明该算法能够进一步提升已训练神经网络在测试集上的语义分割精度。
【学位单位】：东北林业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP751;TP18;S712
【部分图文】：

图１－１论文内容组织图??第二章：相关技术与理论。首先简要介绍了机器学习的概念，随后分别介绍了一些??传统机器学习算法模型，其中包括线性回归、逻辑回归和神经网络，以及模型训练过程??主要涉及到的一些概念，其中包括损失函数、模型优化算法和学习率，最后介绍了卷积??神经网络和全卷积语义分割网络的组成结构与运算方式。??第三章：基于神经网络的遥感影像语义分割方法。针对基于神经网络的遥感影像语??义分割模型参数量过多、计算耗时、分割精度不足等问题，先后从神经网络模型、损失??函数和后处理三个环节展开研究。首先介绍了基于全卷积网络的语义分割神经网络??ＳＴＳ－Ｎｅｔ。对于经典语义分割全卷积网络Ｕ－Ｎｅｔ存在的问题，ＳＴＳ－Ｎｅｔ根据遥感数据集中??的实际情况予以改进；随后介绍了类别敏感加权损失函数。为提升ＳＴＳ－Ｎｅｔ在类别不平??衡数据上的语义分割精度，所提出的损失函数将训练阶段神经网络对不同像素的当前分??割精度作为可变权重因子加入经典交叉熵损失函数，进行类别均衡；然后介绍了重叠预??测后处理算法，该算法针对大幅面遥感影像语义分割的测试阶段遥感瓦片拼接过程中存??在的问题，根据单模型多数据副本处理策略，通过合并ＳＴＳ－Ｎｅｔ对不同瓦片间重叠区域??的分割结果来提升全卷积网络对大幅面测试影像的语义分割精度；最后介绍了基于??

出了另一定义，“一个程序能从经验Ｅ中进行学习，从而解决任务Ｔ，并达到性能度量??标准Ｐ，当且仅当有了经验Ｅ后，经过Ｐ评判，程序随后在处理Ｔ时的性能表现有所提??升”?［７４］。机器学习中常见学习方式与算法类型如图２－１所示。??？?監督学习??—、應卜ｆ■督学习：：??？半監督学习??？?强化学习??？正则化算法??机器学习?一?＿?集成算＠??？■决策树算法??？?回归算法??—Ｉ?络???＾?贝叶斯算法??＾?算法类型一＝…：：???？?深度学习??？支持向量机??？?降维黧法??基于实例的??关联规则算??ｎ?法??？?图模型??图２－１机器学习中常见训练方式与算法类型??监督学习和非监督学习是机器学习中最常见的学习方式。一般来说，监督学习通过??在算法的训练阶段向模型同时提供输入数据及其所对应的标签信息，从而引导模型正确??完成指定任务；非监督学习中模型从输入数据寻找潜在类别规则，训练期间未受到监督??式增强。此外，机器学习的学习方式还包括半监督学习和强化学习等。半监督学习中模??一?１０－??

出了另一定义，“一个程序能从经验Ｅ中进行学习，从而解决任务Ｔ，并达到性能度量??标准Ｐ，当且仅当有了经验Ｅ后，经过Ｐ评判，程序随后在处理Ｔ时的性能表现有所提??升”?［７４］。机器学习中常见学习方式与算法类型如图２－１所示。??？?監督学习??—、應卜ｆ■督学习：：??？半監督学习??？?强化学习??？正则化算法??机器学习?一?＿?集成算＠??？■决策树算法??？?回归算法??—Ｉ?络???＾?贝叶斯算法??＾?算法类型一＝…：：???？?深度学习??？支持向量机??？?降维黧法??基于实例的??关联规则算??ｎ?法??？?图模型??图２－１机器学习中常见训练方式与算法类型??监督学习和非监督学习是机器学习中最常见的学习方式。一般来说，监督学习通过??在算法的训练阶段向模型同时提供输入数据及其所对应的标签信息，从而引导模型正确??完成指定任务；非监督学习中模型从输入数据寻找潜在类别规则，训练期间未受到监督??式增强。此外，机器学习的学习方式还包括半监督学习和强化学习等。半监督学习中模??一?１０－??
【相似文献】

相关期刊论文 前10条

1 袁如金;张敏;李世伟;;基于华浩超算平台遥感影像几何校正研究——以资源一号02C数据为例[J];测绘与空间地理信息;2017年01期

2 马慧云;吴晓京;赵国庆;姜丙波;;遥感影像反演的雾参数地区差异性分析[J];遥感信息;2017年03期

3 雒培磊;李国庆;曾怡;;一种改进的基于深度学习的遥感影像拼接方法[J];计算机工程与应用;2017年20期

4 鄢咏折;范晓燕;;遥感影像变化监测方法简述[J];城市建设理论研究(电子版);2017年22期

5 蔡红玥;;一种遥感影像镶嵌线自动提取方法[J];城市地理;2017年08期

6 张灵凯;于良;;多源遥感数据融合研究综述[J];城市地理;2017年02期

7 刘琴;王正祥;;论空中测量无人机遥感影像应用[J];城市地理;2017年12期

8 崔青岩;刘超;;青海省玛沁县索呼多地区遥感影像地质特征及意义[J];环球人文地理;2017年09期

9 田甜;张景发;姜文亮;王鑫;;基于ArcGIS 10.0的遥感影像批量标准制图的实现[J];地壳构造与地壳应力文集;2016年01期

10 田甜;张景发;姜文亮;罗毅;;地震多源异构遥感影像数据库系统设计与实现[J];地壳构造与地壳应力文集;2016年02期

相关博士学位论文 前10条

1 杨楠;低空遥感影像多视密集点云重构方法研究[D];武汉大学;2016年

2 徐鹏飞;基于夜间灯光遥感影像的城镇化时空特征研究[D];浙江大学;2019年

3 邰建豪;深度学习在遥感影像目标检测和地表覆盖分类中的应用研究[D];武汉大学;2017年

4 刘晓奕;序列遥感影像异常检测的时空模型研究与应用[D];中国科学院大学(中国科学院遥感与数字地球研究所);2018年

5 赵崇悦;基于多特征学习的遥感影像复原与分类[D];西安电子科技大学;2018年

6 李烁;遥感影像色彩一致性处理和镶嵌线优化技术研究[D];战略支援部队信息工程大学;2018年

7 邵帅;空间光学遥感影像的实时清晰度提升技术研究[D];中国科学院大学(中国科学院长春光学精密机械与物理研究所);2019年

8 李铭;任务驱动的遥感影像检索案例推理方法研究[D];武汉大学;2014年

9 顾海燕;遥感影像地理本体建模驱动的对象分类技术[D];武汉大学;2015年

10 陈冲;面向多任务粒度的遥感影像镶嵌并行技术研究[D];南京大学;2015年

相关硕士学位论文 前10条

1 魏青迪;基于卷积神经网络的高分二号遥感影像提取方法[D];山东农业大学;2019年

2 张若楠;伊犁河流域多特征遥感影像水体识别研究[D];新疆大学;2019年

3 潘晓权;基于卷积神经网络的城市遥感影像语义分割[D];桂林电子科技大学;2019年

4 李坡涛;基于高分2号影像的城市周边水体提取模型研究[D];河南大学;2019年

5 吕永飞;基于区块链的遥感影像数字版权控制技术研究[D];河南大学;2019年

6 段延超;基于SIFT和小波变换的遥感影像配准融合算法研究[D];河南大学;2019年

7 赵盟;基于遥感影像的城镇违法建筑的识别及其在移动端的应用[D];河南大学;2019年

8 王博;基于NPP-VIIRS夜间灯光遥感影像的杭州城市结构发展变化分析[D];浙江大学;2019年

9 陈守玉;基于深度学习的遥感影像语义分割方法研究[D];东北林业大学;2019年

10 王卓琳;基于猫群算法的遥感影像数据存储优化方法研究[D];东北林业大学;2019年

本文编号：2887841