完全残差连接与多尺度特征融合遥感图像分割

发布时间：2021-10-10 20:22

　　遥感图像数据规模大,光照、遮挡等情况复杂,目标密集、尺度不一以及缺乏大量带标注图像用于训练深度网络等特点对遥感图像分割的完整性和正确性造成了更大的挑战。针对深度卷积网络中因多次卷积造成分辨率显著下降,像素类别预测精度降低的问题,本文在深度卷积编码—解码网络的基础上设计了一个采用完全残差连接和多尺度特征融合的端到端遥感图像分割模型。该模型具有两方面优点:首先,长距离和短距离的完全残差连接既简化了深层网络的训练,又为本层末端融入了原始输入信息,增强了特征融合。其次,不同尺度和方式的特征融合使网络能够提取丰富的上下文信息,应对目标尺度变化,提升分割性能。本文通过对ISPRS Vaihingen和Road Detection数据集做数据扩充并进行实验,分别从平均IOU、平均F1值两方面对模型进行评价。通过与目前先进的模型以及文献中的研究成果进行比较,结果表明本文所提模型优于对比模型,在两个数据集上的平均IOU分别达到了85%和84%,平均F1值分别达到了92%和93%,能够有效提高遥感图像目标分割的完整性和正确性。 

【文章来源】：遥感学报. 2020,24(09)北大核心EICSCD

【文章页数】：14 页

【部分图文】：

FRes-MFDNN模型结构

其次，为了获得精细的分割结果，本文将编码器中的特征融合到了解码器中。许多研究在做该形式的特征融合之时，只是考虑将编码器各卷积阶段最后一层特征图融合到解码器中，基于较深卷积层学习到的全局特征更具区别性的结论，本文对conv1和conv2阶段选择最后一层卷积特征图，对conv3、conv4和conv5阶段则特别选用所有卷积特征图来做逐像素相加融合。深度网络中多次池化会造成特征信息严重丢失，为使模型能够应对多尺度目标，故在conv5阶段的特征融合进解码器之前使用特征金字塔模块来提取不同尺度下的高级特征。其中使用1×1卷积有助于降低输入特征图的维度，从而减少内存消耗并缩短训练和推理时间。最后，为了有效防止梯度消失，本文在编码器和解码器对应的卷积阶段内部加入了如图3的残差单元，称为短距离残差连接。类比图3残差单元的原理，可将上述第2点的特征融合连接称为长距离的残差连接，它与短距离残差连接共同构成了完全残差连接，一方面解决了深度模型因层次加深出现的梯度消失问题，另一方面针对深度模型因卷积操作造成的特征图信息损失，完全残差连接因为不仅融合了多尺度特征，还融合了本层的原始输入信息，从而在一定程度上对损失的信息做了补充，进一步增强了特征融合。

最后，为了有效防止梯度消失，本文在编码器和解码器对应的卷积阶段内部加入了如图3的残差单元，称为短距离残差连接。类比图3残差单元的原理，可将上述第2点的特征融合连接称为长距离的残差连接，它与短距离残差连接共同构成了完全残差连接，一方面解决了深度模型因层次加深出现的梯度消失问题，另一方面针对深度模型因卷积操作造成的特征图信息损失，完全残差连接因为不仅融合了多尺度特征，还融合了本层的原始输入信息，从而在一定程度上对损失的信息做了补充，进一步增强了特征融合。2.3 比较算法

【参考文献】：
期刊论文
[1]弱监督深层神经网络遥感图像目标检测模型[J]. 周明非,汪西莉.  中国科学:信息科学. 2018(08)
[2]SRRG-MRF的SAR海冰图像分割算法[J]. 杨学志,刘灿俊,吴克伟,郎文辉.  遥感学报. 2014(06)
[3]结合凝聚层次聚类的极化SAR海冰分割[J]. 于波,孟俊敏,张晰,纪永刚.  遥感学报. 2013(04)
[4]Tsallis熵和改进CV模型的海面溢油SAR图像分割[J]. 吴一全,吉玚,沈毅,张宇飞.  遥感学报. 2012(04)
[5]基于模糊马尔可夫随机场的无监督遥感图像分割算法[J]. 郑玮,康戈文,陈武凡,李小文.  遥感学报. 2008(02)



本文编号：3429093