基于深度学习的遥感图像地物分割方法

针对传统方法难以同时有效地进行多目标分割,现有基于全卷积神经网络的地物分类方法在复杂场景下分类精度不高的问题,提出了一种基于U-net改进的全卷积神经网络DL-Unet,实现了对遥感图像不同类别地物的有效分割。该网络改进了传统的卷积方式,引入扩张卷积,在不增加网络参数的同时增大感受野。针对遥感影像中地物类别不均衡的问题,使用带权重的交叉熵作为模型的损失函数,有效克服了模型的选择偏好。对预测结果采用了相对多数投票策略进一步提高了各个地物类别的像素准确率(PA)。实验结果表明,该模型在各地物类别的平均像素准确率(MPA)和均交并比(MIoU)上相较于经典U-net网络分别提高了5.94%和9.45%,实现了对地物信息的有效分割。