优化FPN的高分辨率遥感影像多类别地物语义分割

针对高分辨遥感影像多类别地物存在类间不平衡、类别区分度低造成的语义分割方法鲁棒性弱和分割精度不高问题,基于UNet、特征金字塔网络(feature pyramid networks,FPN)、DeepLabV3+、HRNet 4种2D多尺度特征融合的卷积神经网络模型架构,对多尺度特征融合技术进行了探讨,通过数据预处理、损失函数、模型预训练等因素对精细土地覆盖的语义分割(多达16个语义类别)进行了模型能力的测试和实验,其中FPN语义分割精细化程度最高。在此基础上,基于EfficientNetB1的FPN模型进行预训练,利用focal loss损失函数选择最优多尺度特征融合,通过超参数搜索损失函数参数最优值进行优化集成,最终训练出性能优异的FPN模型,准确率提高了1.5%,Kappa提高了1.9%,进一步提高了模型对多类别地物的识别能力和泛化能力。