基于SE-UNet的冬小麦种植区域提取方法

传统的小麦面积提取方法主要依靠人工野外调查,存在工作量大、效率低、成本高等问题,而遥感技术具有准确、快速和动态等优点,已成为作物面积提取的有效手段。本文以石家庄市正定县各镇的Landsat-8卫星遥感影像为训练数据,藁城区增村镇影像为测试数据,并分别选取分辨率8 m的高分六号(GF-6)以及分辨率10 m的哨兵二号(Sentinel-2)作为对比验证数据,提出了一种改进U-Net网络的冬小麦种植区域提取方法。首先,对Landsat-8遥感影像进行预处理,标注小麦区域制作标签集,其次,在U-Net网络中添加Squeeze and excitation(SE)注意力机制模块融入特征通道间信息,并利用Batch normalization(BN)层抑制过拟合问题;最后,经过Softmax分类器得到分类结果。选择SegNet、Deeplabv3+、U-Net作为对比模型,分别利用GF-6、Sentinel-2和Landsat-83种数据构建预测模型。结果表明,SE-UNet网络在基于Landsat-8数据预测模型下测试数据集表现最优,MPA和MIoU分别达到89.88%和81.44%。本方法可为大范围冬小麦种植区提取提供参考。

改进UNet++的食道癌肿瘤分割方法

晚期食道癌患者五年生存率仅约20%,准确地检出食道癌肿瘤区域对后续治疗具有重要的临床意义。该文针对当前主流的食道癌病灶分割方法在复杂曲度位置细节丢失、分割精度低等问题,基于UNet++设计了一种改进的网络模型。在编码器中引入SE模块,使网络重点关注待分割区域;将网络关键层X^(i,0)中常规方阵卷积替换为可变形卷积,使网络更好地适应癌灶边界复杂的曲度变化;使用多尺度特征融合,充分提取出肿瘤边界的细微特征;将Encode-Decoder结构升级为双向O型循环结构,来提高网络对特征的使用效率。实验表明,该算法在食道癌CT影像分割任务中,Dice相似性系数可以达到84.81%,相比UNet++提高了6.37%。文中所提出的方法相比现阶段其他先进算法,能更为准确地分割出食道癌肿瘤的不规则边界。

基于Sentinel-2影像的淡水养殖水生动物类型识别研究

为了利用遥感影像实现内陆淡水养殖空间分布的快速提取,以江苏省宜兴市为研究区域,基于Sentinel-2卫星影像数据,提出了一种结合卷积神经网络和随机森林算法的内陆淡水养殖池塘水产类型的识别方法。该方法以深度学习为基础,构建卷积神经网络模型进行养殖池塘语义分割,进而分析养殖区域斑块的归一化植被指数和归一化水体指数,最后采用随机森林算法区分养殖池塘的水产类型。结果表明,宜兴市2021年淡水养殖池塘面积为121.25 km^(2),其中蟹塘面积74.48 km^(2),鱼塘面积46.77 km^(2),识别总体精度为88.33%,kappa系数为0.8243。

基于特征压缩激活Unet网络的建筑物提取

自动提取城市建筑物对城市规划、防灾避险等行业应用具有重要意义,当前利用高空间分辨率遥感影像进行建筑物提取的卷积神经网络在网络结构和损失函数上都存在提升的空间。本研究提出一种卷积神经网络SE-Unet,以U-Net网络结构为基础,在编码器内使用特征压缩激活模块增加网络特征学习能力,在解码器中复用编码器中相应尺度的特征实现空间信息的恢复;并使用dice和交叉熵函数复合的损失函数进行训练,减轻了建筑物提取任务中的样本不平衡问题。实验采用了Massachusetts建筑物数据集,和SegNet、LinkNet、U-Net等模型进行对比,实验中SE-Unet在准确度、召回率、F1分数和总体精度4项精度指标中表现最优,分别达到0.8704、0.8496、0.8599、0.9472,在测试影像中对大小各异和形状不规则的建筑物具有更好的识别效果。