针对现有基于深度学习的遥感影像分割方法难以充分考虑像素之间关系,而全连接条件随机场(fully connected conditional random fields,FullCRF)后处理效率低下且难以训练的问题,提出了结合改进金字塔场景解析网络(pyramid scene parsing...针对现有基于深度学习的遥感影像分割方法难以充分考虑像素之间关系,而全连接条件随机场(fully connected conditional random fields,FullCRF)后处理效率低下且难以训练的问题,提出了结合改进金字塔场景解析网络(pyramid scene parsing network,PSPNet)算法与卷积条件随机场(convolutional condition random fields,ConvCRF)的方法。首先,在PSPNet中采用更加密集连接的DenseNet网络,并在高低层特征融合部分将原有的连接CNN网络末端特征图方式改为连接第三个dense模块。其次,在改进PSPNet基础上,设计与ConvCRF的集成方法,通过引入两个损失函数,设计两步法训练方式,实现了集成模型的端对端训练。最后,进行某区域无人机遥感影像4类要素分割及马萨诸塞州航空遥感影像道路分割试验。结果表明,改进PSPNet在无人机影像分割试验中MIoU(mean intersection over union)提升0.25%,总体精度提升0.47%;结合ConvCRF处理模块后,MIoU可进一步提升0.94%,总体精度进一步提升0.47%,单幅图像计算时间仅增加79 ms,且精度优于FullCRF,时间开销仅为FullCRF的35%,在马萨诸塞州道路分割试验中,本方法较其他精度更优。展开更多
文摘针对现有基于深度学习的遥感影像分割方法难以充分考虑像素之间关系,而全连接条件随机场(fully connected conditional random fields,FullCRF)后处理效率低下且难以训练的问题,提出了结合改进金字塔场景解析网络(pyramid scene parsing network,PSPNet)算法与卷积条件随机场(convolutional condition random fields,ConvCRF)的方法。首先,在PSPNet中采用更加密集连接的DenseNet网络,并在高低层特征融合部分将原有的连接CNN网络末端特征图方式改为连接第三个dense模块。其次,在改进PSPNet基础上,设计与ConvCRF的集成方法,通过引入两个损失函数,设计两步法训练方式,实现了集成模型的端对端训练。最后,进行某区域无人机遥感影像4类要素分割及马萨诸塞州航空遥感影像道路分割试验。结果表明,改进PSPNet在无人机影像分割试验中MIoU(mean intersection over union)提升0.25%,总体精度提升0.47%;结合ConvCRF处理模块后,MIoU可进一步提升0.94%,总体精度进一步提升0.47%,单幅图像计算时间仅增加79 ms,且精度优于FullCRF,时间开销仅为FullCRF的35%,在马萨诸塞州道路分割试验中,本方法较其他精度更优。
