面向小样本遥感解译的空间置弃FCN模型

针对当前缺少大型遥感数据集,复杂深度学习语义分割模型优化难等问题,文章通过改进经典全卷积网络(Fully Convolutional Network,FCN)模型,提出了一种面向小样本遥感数据集,联合批归一化和空间置弃方法的智能解译语义分割模型,为解决小样本数据集过拟合问题提供新的思路。首次将空间置弃层引入FCN模型,并设计和实验了8组具有不同模块和网络结构的模拟场景。研究结果表明,不对原始小样本数据集进行数据增强处理,通过在不同位置增加若干数量的空间置弃层可有效抑制过拟合;对比8组实验场景结果,文章提出的改进模型在抑制过拟合、提升模型精度和模型收敛速度上的综合表现最优;集成于模型框架中的空间置弃层可以有效实现自学习降维,为复杂高分遥感图像解译提供有意义参考。

融合空间置弃层的U-Net高分影像建筑智能解译

针对传统基于光谱和面向对象的建筑物提取方法多噪声和边缘羽化严重,标准U-Net高分遥感影像解译计算开销大等问题,提出了一种改进方法。该方法通过修改标准U-Net输入样本尺寸、卷积核数量和卷积层数量,基于Adam最优化算法,采用逐维度加和特征融合取代沿通道维度联合特征融合,并首次将空间置弃层引入标准U-Net中用于提高模型效率和改善目标边缘精度。定量分析和实验结果表明:空间置弃层有助于缓解因数据特征分布不均衡导致的精度变异问题;融合空间置弃层的改进U-Net模型可以有效改善椒盐噪声和建筑物边缘羽化问题,提高面向复杂场景高分遥感影像解译精度,加快模型训练收敛速度,减少模型参数数量和模型训练时间。