基于编码-解码神经网络遥感图像语义分割应用研究

图像分割的实现经历了从传统方法到神经网络方法的演变。本文从图像分割的发展过程入手,介绍了图像分割与语义分割的区别,对最近几年传统图像分割方法在遥感图像分割领域的应用进行梳理分析,总结了传统遥感图像分割方法的不足。基于此,归纳了几种经典编码-解码神经网络架构在遥感图像语义分割领域的应用,对其改进方式进行了综合性分析,并对其未来的发展趋势进行展望。

ED-NAS:基于神经网络架构搜索的陶瓷晶粒SEM图像分割方法

为了提高深度卷积神经网络(Convolutional Neural Network,CNN)设计的自动化程度并进一步提高陶瓷晶粒扫描电子显微镜(Scanning Electron Microscope,SEM)图像分割的准确性,提出了一种基于神经网络架构搜索的陶瓷晶粒图像分割方法 .该方法设计多分支结构编码空间和链式结构解码空间,并构造多分支结构编码Cell和链式结构解码Cell;同时基于强化学习分别搜索最佳编码Cell和解码Cell;此外,基于编码-解码神经网络架构堆叠最佳Cell构建陶瓷晶粒图像分割CNN,并采用池化索引在解码阶段恢复丢失的细节信息.实验在包含了629张的陶瓷晶粒SEM图像数据集上进行,搜索最佳Cell耗时约148 GPU-时.与U-Net、SegNet等SOTA方法相比,该方法在陶瓷晶粒测试集上获得了更高的分割准确性(mIoU≈68.9%).

多战场环境军事人员图像分割技术应用研究

目的:针对多战场环境中军事人员目标较小以及军事人员与环境背景难以区分导致分割效果较差的问题,提出一种分割神经网络。方法:以U-Net为主干神经网络,基于空洞空间金字塔池化模块和双特征交叉融合模块提出编码-解码神经网络ASPP-DFCF-U-Net(以下简称“AD-U-Net”)。将多环境迷彩分割数据集(Multi Environment Camouflage Dataset,MECD)按比例分为训练集、验证集和测试集并进行数据增强,在MECD上对AD-U-Net进行训练并测试。为验证AD-U-Net的有效性,采用平均交并比、召回率、精确度、F1分数指标将AD-U-Net与U-Net、SegNet、FCN-8s 3种神经网络的分割结果进行对比分析。结果:AD-U-Net的平均交并比、召回率、精确度、F1分数分别为83.04%、89.58%、91.49%和90.52%,均高于U-Net、SegNet和FCN-8s,在目标较小、分割目标与背景高度相似的情况下具有更好的分割效果。结论:AD-U-Net在MECD上具有优良的分割效果,将其应用于搜救装备中进行人员搜救可大大提高军事人员的分割准确率,提高搜救效率。