论文摘要
深度卷积神经网络在遥感图像语义分割研究上开创了新的领域。利用改进的U-net模型对建筑物区域进行像素级提取,可获取其轮廓和尺寸信息。利用强可迁移性的VGG16网络作为U-net模型的编码器,并利用基于空洞卷积的级联并行模块提取多尺度的高层语义信息,同时使用转置卷积实现上采样,逐步还原分割细节。实验采用了加权组合的Jaccard损失和二元交叉熵损失作为总损失函数。实验结果表明了改进的U-net模型对遥感图像中建筑物的分割提取具有更高的精度,均像素精度（MPA）、均交并比（MIoU）和F1分数分别为92. 16%、78. 55%和84. 81%。改进模型的F1分数比Deep Labv3+模型高4. 8%,比标准U-net模型高8. 3%。
论文目录
文章来源
类型: 期刊论文
作者: 徐昭洪,刘宇,全吉成,吴晨
关键词: 遥感图像,语义分割,建筑物分割,指数
来源: 科学技术与工程 2019年17期
年度: 2019
分类: 工程科技Ⅱ辑,信息科技
专业: 工业通用技术及设备,自动化技术
单位: 空军航空大学数字地球实验室
分类号: TP751
页码: 250-255
总页数: 6
文件大小: 374K
下载量: 613