论文部分内容阅读
高分辨率遥感影像中人工地物的语义分割是遥感成像技术中的研究热点之一，可以广泛的应用于地质勘测、卫星导航和准确目标定位等领域。遥感成像过程中存在噪声干扰和障碍物遮挡等因素的影响，在利用传统方法对高分辨率遥感影像中的人工地物进行语义分割时，分割的准确率不高，而且分割过程中的计算量也较大。深度学习中的卷积神经网络具有强大的特征提取和参数计算能力，对噪声和仿射变换等具有较好的鲁棒性，对场景变化也具有较好的泛化能力，可以提高图像语义分割的准确性，并且降低参数的计算量。因此，采用深度学习的方法对高分辨率遥感影像中的人工地物进行语义分割，具有重要的研究和实际应用意义。
本文首先介绍了遥感影像语义分割的研究背景和国内外研究现状，阐述了图像分割和图像语义分割的理论基础和传统方法;概述了深度学习和卷积神经网络的结构组成、损失函数和常用的训练策略。
然后，研究了基于深度学习的遥感影像语义分割方法，在深度特征层面有效地融合大尺度影像中的全局信息与其局部影像子块中丰富的细节信息。具体内容如下:
(1)提出了一种基于GLNet和HRNet的遥感影像语义分割方法。该方法在GLNet的基础上，利用HRNet取代全局分支中的ResNet主干，获取分辨率更高、表征能力更强的侧边输出特征图。取消了原有的特征图共享策略，并独立训练局部分支，以消除全局分支中特征图所带来的混淆。此外，采用了多级损失函数对网络进行优化。实验结果表明，该方法在分割准确率和平均绝对误差方面，均优于GLNet。
(2)提出了一种基于HR-GLNet和语义流的图像语义分割方法。该方法在HRNet的网络结构中引入了语义流对齐方法，使网络中尺度不同的特征图相互连接时，语义信息能够彼此对齐。将该方法用于GLNet网络结构中，实验结果表明，该方法在分割准确率和平均绝对误差方面，均优于GLNet和基于GLNet和HRNet的网络结构。
最后，对全文进行了总结和展望。
本文首先介绍了遥感影像语义分割的研究背景和国内外研究现状，阐述了图像分割和图像语义分割的理论基础和传统方法;概述了深度学习和卷积神经网络的结构组成、损失函数和常用的训练策略。
然后，研究了基于深度学习的遥感影像语义分割方法，在深度特征层面有效地融合大尺度影像中的全局信息与其局部影像子块中丰富的细节信息。具体内容如下:
(1)提出了一种基于GLNet和HRNet的遥感影像语义分割方法。该方法在GLNet的基础上，利用HRNet取代全局分支中的ResNet主干，获取分辨率更高、表征能力更强的侧边输出特征图。取消了原有的特征图共享策略，并独立训练局部分支，以消除全局分支中特征图所带来的混淆。此外，采用了多级损失函数对网络进行优化。实验结果表明，该方法在分割准确率和平均绝对误差方面，均优于GLNet。
(2)提出了一种基于HR-GLNet和语义流的图像语义分割方法。该方法在HRNet的网络结构中引入了语义流对齐方法，使网络中尺度不同的特征图相互连接时，语义信息能够彼此对齐。将该方法用于GLNet网络结构中，实验结果表明，该方法在分割准确率和平均绝对误差方面，均优于GLNet和基于GLNet和HRNet的网络结构。
最后，对全文进行了总结和展望。