一种多尺度卷积神经网络道路提取方法

发布时间：2021-01-14 03:55

　　针对神经网络训练过程存在分辨率不断降低和梯度消失的共性问题,提出一种基于多尺度卷积神经网络的遥感影像道路提取方法。首先,针对网络前向传播过程分辨率逐渐降低的问题,采用子影像训练网络模型,增强网络对细节信息的获取,然后应用多尺度卷积学习获取不同维度的分层特征,解决由分辨率下降导致的信息缺失问题;其次针对网络在反向传播阶段中出现的梯度消失问题,融入残差连接限制梯度过度更新,改善网络的深度受限问题;最后,针对网络深度和宽度的挖掘导致的网络训练效率问题,使用全局均值池化优化全连接层中大量的冗余数据。大量遥感影像实验结果表明,相对于U-Net网络和经典卷积网络,该方法在Accuracy和F1值上均具有较大优势。 

【文章来源】：遥感信息. 2020,35(01)北大核心

【文章页数】：10 页

【部分图文】：

算法流程图

多尺度卷积学习

深度决定着网络的分类效果，但深度网络训练过程中存在梯度消失和易陷入局部极小值等类似难以攻克的问题。应用残差连接可以很好地改善深层网络模型的寻优过程，并减少网络收敛在时间上的消耗。残差连接的内部传递方式如图3所示。在前向传播过程中，残差单元将上一层的输入x通过函数F(x）映射到下一层，同时将输入x直接映射到下一层，等同于在原始单分支模型的结构上增加一条输入数据的恒等映射分支，即“捷径”（short connection），同时可在一定程度上解决信息损耗的问题。反向传播阶段是解决梯度消失问题的关键。在反向传播过程中，当梯度值从底端输入时，经由线路(2)直接返还，替代了经由线路(1)参与2次更新计算使梯度减小的过程。因此，融合残差连接可以消除深层网络中的梯度消失问题，并且更易优化，收敛更快。何凯明等通过实验证明，“捷径”中不涉及任何梯度值更新计算的设计方式实验效果最佳，因此本文残差连接参考该设计方式。1.4 全局均值池化

【参考文献】：
期刊论文
[1]摄影测量与深度学习[J]. 龚健雅,季顺平.  测绘学报. 2018(06)
[2]矢量数据辅助的高分辨率遥感影像道路自动提取[J]. 丁磊,张保明,郭海涛,卢俊.  遥感学报. 2017(01)
[3]卷积神经网络在高分遥感影像分类中的应用[J]. 曹林林,李海涛,韩颜顺,余凡,顾海燕.  测绘科学. 2016(09)
[4]一种高分辨率影像道路中心线提取算法[J]. 苗则朗,史文中,张华.  中国矿业大学学报. 2013(05)



本文编号：2976160