论文部分内容阅读
深度学习是机器学习领域的重要分支,随着近年来的高速发展,极大促进了人工智能在各领域的应用。深度学习以人工神经网络为基础,以数据为驱动力,随着大数据时代的到来,以及计算机计算能力的提升,使深度学习可以应用更深的网络结构,解决更加复杂的问题。本文以遥感图像语义分割问题为研究对象,针对深度学习语义分割算法应用在遥感图像中存在的问题展开研究。语义分割应用在遥感图像上具有重要意义,是土地使用、环境变化监测的基础。传统的机器学习方法需要人工设计特征提取器,难以对抽象的语义级特征进行有效提取。而基于大量数据迭代的深度学习网络能够提取更具抽象性,稀疏性和不变性的特征,已成为解决语义分割问题的主要方法。目前的研究方向主要集中在两个方面:应用不同的模型结构提高分割精度;在保证一定分割精度的前提下,降低模型参数量与计算量,满足实时性要求。针对以上问题,本文的具体研究内容如下:针对高分辨率遥感图像提出了一种高精度的深度学习语义分割网络。该网络融合了编码器解码器结构和空洞空间金字塔池化结构(ASPP)的优点,以深度残差网络(ResNet)及空洞空间金字塔池化为编码器,在上采样阶段构造两个尺度的特征融合结构为解码器,同时应用多尺度的损失函数加强网络训练过程。在后处理阶段,应用以超像素为基础的条件随机场进一步优化分割结果。在高分辨率遥感图像公开数据集Potsdam和Vaihingen上的实验结果表明,该网络取得了更高的分割精度,与当前取得最高分割精度的DeepLab_v3+网络相比,总体精度(Overall Accuracy)分别提高了 0.4%和0.6%。针对高分辨率遥感图像提出了一种基于双分支结构的轻量化语义分割网络,包括语义分支和空间分支。在空间分支中使用三个卷积层的简单结构提取空间特征。在语义分支中使用轻量化基网络MFNet和空间金字塔池化(PPM)提取语义特征。在特征融合阶段,使用通道注意力模块优化已提取的特征。同时应用加权多尺度损失函数加强网络的训练过程。在高分辨遥感图像公开数据集Potsdam和Vaihingen上的实验结果表明,该模型在保持较高分割精度的前提下,大幅降低了网络参数量和计算量,与当前应用最为广泛的U-Net模型相比,网络参数量降低了 61%,计算量降低了 96%,分割精度提高了 1.5%。针对高光谱遥感图像提出了一种高精度的深度学习语义分割网络,该网络基于双分支结构,包括光谱分支和空间分支。其中光谱分支采用一维卷积提取图像中的光谱特征。空间分支在经过主成分分析法(PCA)预处理后,采用二维卷积提取图像中的空间特征。同时,在每个分支结构中应用残差连接和密集连接进一步增强网络的特征提取能力。在高光谱图像公开数据集Indian Pines、Pavia Uni versity、Pavia Center 和 Salinas 上的实验结果表明,该网络相较于已提出的方法取得了更高的分割精度。