基于改进U-Net的遥感图像语义分割

全卷积神经网络在遥感图像语义分割中得到了广泛应用,该方法地物分类精度和效率较高,但对地物分布不均匀遥感图像占比较少地物的分类准确率较低。为了提高遥感图像的分类精度,本文通过添加先验知识方法丰富输入数据特征,采用密集链接方式提高上下采样过程中特征的重复利用率,采用可以优化交并比的损失函数Dice Loss和可以提高难分类类别精度的损失函数Focal Loss相加组合作为网络模型的损失函数,采用LayerScale模块加快模型收敛、抑制无用特征、突出有效特征的方式,对U-Net的输入、网络结构、损失函数进行改进,优化语义分割效果。结果表明,基于高分影像数据集(GID)改进的U-Net相较于原始U-Net像素精度、均类像素精度、平均交并比分别提高了0.0233、0.0409、0.0665,提升了地物分类精度,取得了较好的分类效果。

一种基于多帧影像的视频超分辨率重构方法

提出了一种由包含混合密集连接块的高效卷积单元组成的用于图像超分辨率的深度网络架构。混合密集连接块的设计结合了残差连接和密集连接策略的优点,同时克服了它们的局限性。为了实现多个因子的超分辨率,提出了一种尺度递归框架,该框架将针对低尺度因子学习的卷积核滤波器递归地重新用于高尺度因子进行学习,不仅提高了整体的性能,也提高了对较高系数的参数的使用效率。通过训练两个版本的网络,使用不同的损失配置来增强互补的图像质量。进一步将该网络用于视频超分辨率任务,网络学习从多个输入帧中聚集信息并保持时空一致性。该方法在图像和视频超分辨率数据集上都取得了显著的提升效果。