结合场景分类数据的高分遥感图像语义分割方法

发布时间：2021-11-26 07:46

　　深度语义分割模型作为解决图像像素级分类的重要方法,在遥感图像分类中的应用受到遥感像素级标记数据不足的制约,在有限数据的情况下训练后的网络难以有效提取遥感图像特征。为此,将具有图像级标记的遥感场景分类数据应用到语义分割模型训练中。利用遥感场景分类数据训练卷积神经网络模型,并以其为基础构建语义分割网络的特征提取部分,从而提高语义分割模型提取遥感图像特征的能力。在训练卷积神经网络的过程中,对训练数据基于后验概率进行类别映射与平衡,使其更贴近目标任务的遥感图像。实验结合场景分类数据集UC Merced Landuse训练语义分割模型,在高分辨率遥感数据集Potsdam上获得了89.50%的总体分类准确率,证明该方法提高了语义分割模型在遥感数据上的像素级分类效果。 

【文章来源】：计算机应用与软件. 2020,37(06)北大核心

【文章页数】：5 页

【部分图文】：

共享卷积层的遥感图像场景分类网络与

图2展示了采用场景分类数据训练卷积神经网络不同轮数后构建的FCN模型在语义分割训练开始阶段模型损失的变化情况。为了便于比较,学习率被固定为10-4。明显地,采用场景分类数据先对卷积神经网络训练后构建的FCN模型可以更快拟合,其中表现最好的情况为在构建FCN前使用场景分类数据对卷积神经网络训练100轮。比较模型在语义分割模型训练开始前(训练轮数为0轮时)的模型表现可以发现,对卷积神经网络预训练后构建的FCN模型在初始情况的模型损失大幅降低,在最好的情况下(预训练100轮),模型的损失相比不预训练的情况从122.18下降到了43.51。这证明采用遥感场景分类数据对卷积神经网络进行训练可以帮助语义分割模型更快地进行拟合。4 结 语


本文编号：3519701