Print

基于深度卷积网络的高分遥感图像语义分割

论文摘要

随着我国高分对地观测系统的不断发展,对高分影像智能化分析与处理的应用需求愈来愈多,基于深度学习语义分割的影像分类也受到高度关注。作为近景图像语义分割的热点模型,Deeplab网络在应用时取得了良好的效果。为了解决多尺度高分辨率遥感影像语义分割问题,本文首先利用空洞卷积扩大Atrous空间金字塔池化(ASPP)结构的感受野,然后对DeepLabv3进行改进并将其用于高分2号遥感影像的分类处理。我们以郴州地区的高分遥感影像为研究对方法进行了验证,首先对原始影像进行预处理,再对预处理图像进行数据增强与扩充,最后通过对不同参数条件下的分类结果进行对比,分析该模型的适应性和精确性。在我们的数据集中,本文方法的实验分类像素精度为88.2%,MIoU达到72.5%,得到了比Deeplab更好的分类效果。

论文目录

  • 1 引言
  • 2 卷积网络语义分割模型
  •   2.1 空洞卷积结构
  •   2.2 DeepLabv3网络基本结构
  •   2.3 空洞卷积提取细节特征
  •   2.4 空洞空间金字塔池化
  • 3 对DeepLabv3的改进模型
  •   1)图像预处理和预测:
  •   2)去除级联模块:
  •   3)空洞空间金字塔池化层结构修改:
  • 4 实验与分析
  •   4.1 数据集介绍
  •   4.2 图像预处理
  •   4.3 语义分割性能评价方法
  •     1)Pixel Accuracy（PA,像素精度）。
  •     2)Mean Pixel Accuracy（MPA,均像素精度）。
  •     3)Mean Intersection over Union（MIoU,均交并比）。
  •   4.4 网络训练与预测结果对比分析
  •     4.4.1 DeepLabv3网络训练与预测结果
  •     4.4.2 改进模型与DeepLabv3对比
  •     4.4.3 网络深度和输入尺寸对实验效果的影响
  •     4.4.4 小样本对实验结果的影响
  •     4.4.5 不同时相数据的实验结果分析
  • 5 结论

    • 文章来源

    类型: 期刊论文

    作者: 蔡烁,胡航滔,王威

    关键词: 遥感图像分类,语义分割,深度学习卷积,神经网络

    来源: 信号处理 2019年12期

    年度: 2019

    分类: 信息科技,工程科技Ⅱ辑

    专业: 工业通用技术及设备,自动化技术

    单位: 长沙理工大学计算机与通信工程学院

    基金: 国家自然科学基金(61070040,61702052),国防预研项目(7301506),湖南省教育厅科研项目(17C0043,17B011,18A137)

    分类号: TP751;TP183

    DOI: 10.16798/j.issn.1003-0530.2019.12.009

    页码: 2010-2016

    总页数: 7

    文件大小: 1068K

    下载量: 359

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/d1ec92da8497fefb9385f77b.html