Print

基于VGG16预编码的遥感图像建筑物语义分割

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

  • 1 实验方法
  •   1.1 基于VGG16预编码的分割框架
  •     1.1.1 VGG16编码器
  •     1.1.2 多尺度特征提取模块
  •     1.1.3 改进的U-net框架
  •   1.2 损失函数
  • 2 数据集与评估标准
  •   2.1 实验数据集
  •   2.2 评估标准
  • 3 实验设计与结果分析
  •   3.1 实验方案
  •   3.2 实验结果分析
  • 4 结论

    • 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

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/f1cdfc71997b4f3df38dbc7f.html