迁移学习下高分快视数据道路快速提取

发布时间：2021-10-12 05:38

　　目的传统的道路提取方法自动化程度不高,无法满足快速获取道路信息的需求。使用深度学习的道路提取方法多关注精度的提升,网络冗余度较高。而迁移学习通过将知识从源领域迁移到目标领域,可以快速完成目标学习任务。因此,本文利用高分辨率卫星快视数据快速获取的特性,构建了一种基于迁移学习的道路快速提取深度神经网络。方法采用基于预训练网络的迁移学习方法,可以将本文整个道路提取过程分为两个阶段:首先在开源大型数据库Image Net上训练源网络,保存此阶段最优模型;第2阶段迁移预训练保存的模型至目标网络,利用预训练保存的权重参数指导目标网络继续训练,此时快视数据作为输入,只做目标任务的定向微调,从而加速网络训练。总体来说,前期预训练是一个抽取通用特征参数的过程,目标训练是针对道路提取任务特化的过程。结果本文构建的基于迁移学习的快速道路提取网络,迁移预训练模型与不迁移相比验证精度提升6.0%,单幅尺寸为256×256像素的数据测试时间减少49.4%。快视数据测试集平均精度可达88.3%。截取一轨中7 304×6 980像素位于天津滨海新区的快视数据,可在54 s内完成道路提取。与其他迁移模型对比,本文方法在... 

【文章来源】：中国图象图形学报. 2020,25(07)北大核心CSCD

【文章页数】：12 页

【部分图文】：

快视数据道路提取流程图

基于预训练网络的迁移学习系统

在源领域中，残差神经网络ResNet可以在网络加深时仍具有很好的学习能力，但同时参数量会随之增加，使模型负担加重，训练速度变慢。本节的目标领域是面向目标任务道路快速提取的过程，更加注重模型速度问题。本文选择LinkNet作为基础网络框架，如图4所示。迁移时去掉预训练ResNet最后的全连接层，其余卷积层直接作为LinkNet的编码器。此部分结构随ResNet预训练网络层变化，可以迁移ResNet预训练结构至LinkNet编码器(图4虚线红框部分)。LinkNet原始4个解码模块保持不变，用于特征图上采样。这样LinkNet编码部分相当于已经得到预训练权重，后续训练只需对快视数据进行定向微调，便可得到道路提取结果。

【参考文献】：
期刊论文
[1]结合迁移学习的轻量级指纹分类模型[J]. 甘俊英,戚玲,秦传波,何国辉.  中国图象图形学报. 2019(07)
[2]基于GPU的HJ-1C实时成像处理技术[J]. 顾久祥,杨仁忠,石璐,韦宏卫.  中国科学院大学学报. 2014(05)
[3]从遥感影像提取道路特征的方法综述与展望[J]. 史文中,朱长青,王昱.  测绘学报. 2001(03)

硕士论文
[1]基于反射镜拼接的TDICCD图像配准与拼接技术研究[D]. 苏婷.中国科学院研究生院(长春光学精密机械与物理研究所) 2014



本文编号：3431992