使用深度学习的遥感三分类分割问题的精度提高方法

发布时间：2024-05-27 23:46

　　传统的基于光谱相似性的分割方法无法将具有相似光谱特性的不同地物分割开来,并且会存在错分现象。利用深度学习直接进行三类地物的分割,其分割效果不能满足实际要求。本文改进了最新的UNet++模型,提出一种将三分类分割问题分解成两个二分类分割的方法来提高分割精度。首先将三类别样本制作为两个单类别样本;其次分别训练二分类网络,在测试集上将二分类结果输出为0～100之间的概率;最后将二分类结果按概率融合为三分类。实验结果表明,改进的UNet++模型精度有显著提升,同时将三分类化为二分类算法的分割结果,其各项评估指标也均有提升,平均交并比MIoU、平均精确度MP、平均召回率MR和平均像素精度MPA分别提高了0.3%、1.8%、1.5%和4.5%。

【文章页数】：5 页

【部分图文】：

图1UNet++和改进后的模型结构图

UNet++网络由UNet网络发展而来,把不同层数的多个UNet采用denseNet的连接方式进行了融合,相当于同时训练了多个UNet网络,有效地解决了UNet层数固定后不能有效提取特征的问题。UNet++和改进后的模型结构图网络结构如图1所示。图1(a)中,X0,1、X0,2....

图2UNet++直接三分类与分别作二分类后融合的结果对比

表4直接三分类与二分类融合结果的评价指标对比%分类方法平均交并比平均精确度平均召回率平均像素精度原始UNet++直接三分类58.064.685.874.0原始UNet++二分类融合71.384.682.090.0本文改进的UNet++直接三分类....

图3改进的UNet++直接三分类与分别作二分类后融合的结果对比

图2UNet++直接三分类与分别作二分类后融合的结果对比综合比对图2、图3可看出,采用本文改进的UNet++模型,其直接三分类和二分类融合结果的预测效果均优于原始UNet++模型,进一步证明了本文所提算法的有效性。

本文编号：3983197