论文部分内容阅读
遥感图像语义分割是解译遥感图像信息的重要基础环节。而在分割和分割过程中对类别数的确定是重点问题并且对图像的进一步处理起着至关重要的作用。本文重点分析通过深度学习理论中的U-Net网络模型来对高分辨率遥感图像进行多类语义分割。本文基于14张高分辨率遥感图像以及其对应的真实值信息,提出对U-Net网络的改进方法并通过实验对比改进的优劣性。本文主要所作的工作如下:(1)对于遥感图数据集进行标注。为了让网络模型以概率分布来进行训练,引入One-hot编码。并且针对数据集样本数不足的问题,在图像预处理上采用随机裁剪、旋转等方式增大数据集。以及对所获取的遥感图像进行归一化处理。最后对图像的底部和左侧进行填充,方便让训练图像可以以相同的尺寸进入网络进行训练。(2)对传统U-Net网络使用Adam优化算法进行模型训练,并且在学习率的选取上使用自适应函数LearningRateScheduler来实现学习率根据epoch的自适应调整。用传统U-Net网络来实现遥感图像的语义分割。之后针对ReLU函数容易让神经元失活的缺点使用其改进函数Elu替代,并记录混淆矩阵并且计算总体精度与Kappa系数,通过实验得出使用Elu作为激活函数的条件下Kappa系数提升1.3%,总体精度提升1.1%。(3)提出对于U-Net网络的改进方法,通过改变激活函数在函数层定义目前较为热门的激活函数GELU、加深网络深度使得网络最深处达到2048,构成D-UNet以及引入扩张卷积和dropout层等分别进行网络训练与语义分割。经过实验得出各类改进算法对于U-Net(ReLU)和U-Net(Elu)网络来说都具有较好的提升。Kappa系数较U-Net(ReLU)网络分别增加了 3.6%、4.2%、4.1%;较U-Net(Elu)网络分别增加了 2.3%、2.9%、2.8%。最后将三种改进方法整体加入U-Net网络,实验结果表明较U-Net(ReLU),网络Kappa系数提升5%,总体精度(OA)提升3.7%;较U-Net(Elu)网络,Kappa系数提升3.7%,总体精度(OA)提升2.6%。通过实验数据得出本文所提出的三种改进方法不仅可以完成对遥感图像的多分类语义分割任务并且准确率较传统U-Net网络模型也有所提升。