基于深度学习的城市高分遥感图像变化检测方法的研究
发布时间：2021-03-31 07:11
针对城市同一区域不同时相的高分遥感图像,提出了基于深度学习的高分遥感图像变化检测模型。方法采用多尺度裁剪、数值归一化处理、提取绿植等方法进行数据预处理;然后基于U-Net、CE-Net和Deep Lab等语义分割模型,以不同时相的遥感图和变化区域掩码为训练集,设计加权交叉熵损失函数,进行多尺度交叉训练、Adam优化;最后将模型预测的结果输入后处理算法中,采用图割算法graph cut减少模型预测中产生的噪声。实验结果与人工标注的变化区域掩码比较,计算F1分数,通过实验发现将不同的语义分割模型应用到遥感变化检测中都有较好的性能,增加数据预处理和后处理可以有效提升变化检测精度,其中CE-Net相比其他模型效果更好。
【文章来源】：计算机应用研究. 2020,37(S1)北大核心CSCD
【文章页数】：4 页
【部分图文】：
DeepLab网络结构
谒陌妫?⒃谟镆宸指盍煊?取得了最佳效果。本实验采用DeepLabv3方法对多时相遥感影像进行变化检测，并与其他语义分割算法作比较。语义分割连续下采样后，高层特征语义特征更加抽象，但这样会降低特征分辨率，影响定位预测效果。此外，多尺度目标的存在要求网络更加鲁棒。基于这些挑战，本文采用的DeepLabv3通过改进空洞卷积，使用级联和空间金字塔池化方法，改进ASPP(atrousspatialpyramidpooling)可以获取更大的感受野，从而提取到多尺度信息。全局特征或上下文信息有助于语义分割，如图5所示，最后的语义特征会非常小，但这不利于语义分割任务，步幅是8时会占用较多内存，所以本文训练的DeepLabv3选择步幅为16，如图6所示，使用不同采样率的空洞卷积保持输出语义特征分辨率。图5无空洞深度卷积网络图6空洞深度卷积网络DeepLabv2提出ASPP模块，其在特征中并行使用四种采样率不同的空洞卷积，但实验表明采样率太大，会减少卷积核有效权重。为此，DeepLabv3改进ASPP模块，如图7所示，改进的ASPP包括一个1×1卷积核和三个大小3×3采样率为6，12，18的空洞卷积，最后将特征全局平均池化，经过1×1卷积，再融合得到语义特征，经过上采样后输出最终图像分割结果。图7DeepLab网络结构第37卷增刊陈璐，等:基于深度学习的城市高分遥感图像变化检测方法的研究·123·
?U-Net++，是一个对U-Net进行改进的语义分割网络，主要的改进点是在编码分支和解码分支中间添加了多个连接点，网络结构如图3所示。NestedU-Net认为原始的U-Net网络直接将编码分支的浅层特征与解码分支的深层特征结合不是很合理，会产生一定的语义鸿沟。因此NestedU-Net提出了一个假设，结合两个层次不同但语义差别较小的特征会使得网络在训练过程中更容易理解语义特征所蕴涵的信息。为了跨越U-Net原本存在的语义鸿沟，如图3所示，NestedU-Net在两个分支间添加了许多连接。图3NestedU-Net结构在本文中使用的U-Net的编码分支和解码分支的中间增加了多级节点，有利于逐步渐进地生成有意义的语义信息。每生成一个中间节点都需要连接所有已存在的同像素特征图，并且连接一层经过上采样的深层语义特征，逐级连接的特征会跨越语义鸿沟的障碍。NestedU-Net最终会产生多个同原始图片同像素的高分遥感特征图，这些同像素的特征图可以直接和标签掩模计算出损失值，因此NestedU-Net利用不同层的语义分割图计算多级损失值并反向更新网络参数。3)CE-Net网络Gu等人［17］提出CE-Net用来提取医疗影像中病灶切片。CE-Net的网络结构设计灵感同样也是来自于U-Net。主要的结构变动为在最底层特征层处理过程中添加了感受野更宽的DACblock和不同核大小池化处理的RMPblock，如图4所示。图4CE-Net网络结构本文采用的CE-Net编码部分神经网络采用的是ResNet34网络，含有残差块结构，理论上会有更快的收敛效果。对底层的高级语义信息，相较于U-Net，CE-Net采用了更多的增大感受野操作处理。DACblock的设计思想与incep
本文编号：3111028
【文章来源】：计算机应用研究. 2020,37(S1)北大核心CSCD
【文章页数】：4 页
【部分图文】：
DeepLab网络结构
谒陌妫?⒃谟镆宸指盍煊?取得了最佳效果。本实验采用DeepLabv3方法对多时相遥感影像进行变化检测，并与其他语义分割算法作比较。语义分割连续下采样后，高层特征语义特征更加抽象，但这样会降低特征分辨率，影响定位预测效果。此外，多尺度目标的存在要求网络更加鲁棒。基于这些挑战，本文采用的DeepLabv3通过改进空洞卷积，使用级联和空间金字塔池化方法，改进ASPP(atrousspatialpyramidpooling)可以获取更大的感受野，从而提取到多尺度信息。全局特征或上下文信息有助于语义分割，如图5所示，最后的语义特征会非常小，但这不利于语义分割任务，步幅是8时会占用较多内存，所以本文训练的DeepLabv3选择步幅为16，如图6所示，使用不同采样率的空洞卷积保持输出语义特征分辨率。图5无空洞深度卷积网络图6空洞深度卷积网络DeepLabv2提出ASPP模块，其在特征中并行使用四种采样率不同的空洞卷积，但实验表明采样率太大，会减少卷积核有效权重。为此，DeepLabv3改进ASPP模块，如图7所示，改进的ASPP包括一个1×1卷积核和三个大小3×3采样率为6，12，18的空洞卷积，最后将特征全局平均池化，经过1×1卷积，再融合得到语义特征，经过上采样后输出最终图像分割结果。图7DeepLab网络结构第37卷增刊陈璐，等:基于深度学习的城市高分遥感图像变化检测方法的研究·123·
?U-Net++，是一个对U-Net进行改进的语义分割网络，主要的改进点是在编码分支和解码分支中间添加了多个连接点，网络结构如图3所示。NestedU-Net认为原始的U-Net网络直接将编码分支的浅层特征与解码分支的深层特征结合不是很合理，会产生一定的语义鸿沟。因此NestedU-Net提出了一个假设，结合两个层次不同但语义差别较小的特征会使得网络在训练过程中更容易理解语义特征所蕴涵的信息。为了跨越U-Net原本存在的语义鸿沟，如图3所示，NestedU-Net在两个分支间添加了许多连接。图3NestedU-Net结构在本文中使用的U-Net的编码分支和解码分支的中间增加了多级节点，有利于逐步渐进地生成有意义的语义信息。每生成一个中间节点都需要连接所有已存在的同像素特征图，并且连接一层经过上采样的深层语义特征，逐级连接的特征会跨越语义鸿沟的障碍。NestedU-Net最终会产生多个同原始图片同像素的高分遥感特征图，这些同像素的特征图可以直接和标签掩模计算出损失值，因此NestedU-Net利用不同层的语义分割图计算多级损失值并反向更新网络参数。3)CE-Net网络Gu等人［17］提出CE-Net用来提取医疗影像中病灶切片。CE-Net的网络结构设计灵感同样也是来自于U-Net。主要的结构变动为在最底层特征层处理过程中添加了感受野更宽的DACblock和不同核大小池化处理的RMPblock，如图4所示。图4CE-Net网络结构本文采用的CE-Net编码部分神经网络采用的是ResNet34网络，含有残差块结构，理论上会有更快的收敛效果。对底层的高级语义信息，相较于U-Net，CE-Net采用了更多的增大感受野操作处理。DACblock的设计思想与incep
本文编号：3111028
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3111028.html
