残差密集空间金字塔网络的城市遥感图像分割

发布时间：2021-01-23 03:55

　　目的遥感图像语义分割是根据土地覆盖类型对图像中每个像素进行分类,是遥感图像处理领域的一个重要研究方向。由于遥感图像包含的地物尺度差别大、地物边界复杂等原因,准确提取遥感图像特征具有一定难度,使得精确分割遥感图像比较困难。卷积神经网络因其自主分层提取图像特征的特点逐步成为图像处理领域的主流算法,本文将基于残差密集空间金字塔的卷积神经网络应用于城市地区遥感图像分割,以提升高分辨率城市地区遥感影像语义分割的精度。方法模型将带孔卷积引入残差网络,代替网络中的下采样操作,在扩大特征图感受野的同时能够保持特征图尺寸不变;模型基于密集连接机制级联空间金字塔结构各分支,每个分支的输出都有更加密集的感受野信息;模型利用跳线连接跨层融合网络特征,结合网络中的高层语义特征和低层纹理特征恢复空间信息。结果基于ISPRS （International Society for Photogrammetry and Remote Sensing） Vaihingen地区遥感数据集展开充分的实验研究,实验结果表明,本文模型在6种不同的地物分类上的平均交并比和平均F₁值分别达到69.88%和81.... 

【文章来源】：中国图象图形学报. 2020,25(12)北大核心

【文章页数】：9 页

【部分图文】：

语义分割实例

本文模型结构包含3部分，如图2所示。1)基于带孔卷积改进的残差网络(图2中深度卷积神经网络(deep convolutional neural network,DCNN))部分用于提取特征;2)基于密集连接改进的空洞空间卷积池化金字塔(atrous spatial pyramid pooling,AS-PP)模块，用于提取和融合多尺度特征;3)解码器，采用跳连接融合高低信息进行简单解码，输出语义分割图。1.2 空洞卷积残差网络

式中，Concat(·)表示对特征图做第1维度上的拼接操作，Hr,n(X)为采样率为r、卷积核大小为n的带孔卷积，Ipooling指图3中image pooling分支的图像级特征，即输入特征图的平均池化特征。1.4 解码器

【参考文献】：
硕士论文
[1]基于深度学习技术的高分辨率遥感影像建设用地信息提取研究[D]. 冯丽英.浙江大学 2017



本文编号：2994499