论文研究-基于U-Net的高分辨率遥感图像语义分割方法.pdf

所需积分/C币:48 2019-09-11 02:54:05 1.29MB .PDF
542
收藏 收藏
举报

图像分割是遥感解译的重要基础环节,高分辨率遥感图像中包含复杂的地物目标信息,传统分割方法应用受到极大限制,以深度卷积神经网络为代表的分割方法在诸多领域取得了突破进展。针对高分辨遥感图像分割问题,提出一种基于U-Net改进的深度卷积神经网络,实现了端到端的像素级语义分割。对原始数据集做了扩充,对每一类地物目标训练一个二分类模型,随后将各预测子图组合生成最终语义分割图像。采用了集成学习策略来提高分割精度,在“CCF卫星影像的AI分类与识别竞赛”数据集上取得了94%的训练准确率和90%的测试准确率。实验结果表明,该网络在拥有较高分割准确率的同时还具有良好的泛化能力,能够用于实际工程。
苏健民,等:基于的高分辨率遥感图像语义分割方法 转换重构 以迕接到相邻下一层,还可以连接到更高的一层或多 yr=y+B ()层。在端到端的图像语义分割屮,使用跳跃连接可以向 式中,y、B均为待学习参数 络髙层提供图像的低层特征来辅助图像重构。除此 激活( ):神经元节点的激活函。之外,跳跃连接还有减少网络参数数量、减轻梯度消失 数定义了神经元输入输出间的映射关系为网络提供了间题的优点 非线性建模能力。激活函数其有指数形状,由 等人提出。其表达式如下 遥感图像语义分割 数据增强 f(x)= p(x)-1),x≤0 实验使用的数据集源丁 卫星影像的分类 与识别竞赛”,该数据集为年中国南方某地区的高 对此徽了改进得负箱入的的之分嘛图像包括基于该遥密图像日视解渐出来的 f(x)= 为亚米级,光谱为可见光频段( ),已去除坐标信 这和 原理类似,但计算复杂度更息。数据集样本共类:楂被(标记)、道路(标记)建 低。在输入取较小值是县有软饱和的特性,提升了筑(标记)、水体(标记)以及其他(标记),其中,耕 对噪声的鲁棒性。在对子止值输入的导数恒为,地、林地、草地均归为植被类。数据集中包含人工标记 该特性很好地解决了网络训练过程中出现的梯度弥散的遥感图像共幅,尺寸从 到 问题。 不等。图给出了数据集中不同类别样本占比,可以看 解卷积( )是卷积的逆过程,是一种出,这里面对的是一个典型的小样本、类别不平衡语义 特殊的卷积。考虑二维单通道图像上的卷积操作,给分割问题。 定图像f(x1<≤M,≤≤N),卷积核k(1≤i≤m 水体 1≤j≤n),噪声b,则卷积操作可表示为 其他 h=∑f +1,j-v+1 建筑 川*表示卷积操作,则上式简写为 解卷积即为已知h,寻求合适的,重构f的过 道路 程。通过以上定义可知,卷积是一种信总损失的操作, 植被 解卷积属于典型的病态反问题。等人中提出 图各类样本占比 种新的思路,即设计网络结构和损失函数,学习卷积核 权重。只体地,文中设计了如下形式的损失两数: 使用幅原始图像作为训练集,剩下的幅图像作 为测试集。由于原始数据集中图像数量少,尺刂各异 LoSs=A )并且单幅图像尺寸过大无法直接送入网络,对其做了数 据增强工作。具体地,把训练集屮的每幅原始图像和标 式中,f表示图像,C表小图像通道数,N表示特征图签截取成幅子图(原图的左上、右上、左下、右下和中 个数,x表示第n个特征图,k表示第c个通道内的间区域,各区域允许重叠),把以上子图和标签切割成 卷积核,A和p均为超参数。上式第一项为重构误差 的图像块,如图所示。然后对图像块做了翻 第一项是对特征图的正则约束,使其尽可能稀疏。较浅转(水平、左右和沿对角线),色彩调整(亮度、对比度饱 的卷积层(靠前的)的感受野较小,学习感知绌节部分的和度),以及加噪处理。重要地,还需要对训练集中的水 能力强,铰深的隐藏层(靠后的)的感受野相对较大,适体等小样本进行过采样。通过以上操作,新的训练集包 合学习较为整体的相对更宏观一些的特征。在较深的含万幅 的子图像。 卷积层上进行解卷积还原会丢失很多细号特征,为此在 树络结构及参数设置 解卷积步骒时,考虑采用·部分较浅的层的解卷积信息 本文所使用的网络结构是受到发设计 辅助叠加,能更好地优化分割结果的精度。 的 因其清晰的结构和在小样本数据集上的优异 跳跃连接( ):在普通的卷积神经网表现而广受好评。原始包含个的卷积层 络中,一层的输出往往作为相邻下一层的输入,跳跃连个的卷积层,个的下采样层,个的上采 接建立起低层与高层之间的“捷径”,即一层的输出既可样层,使用作为瀲活函数。通常,池化操作会损 () 计算机工程与应用 图了图切割实例 失图像中的高频成分,产生钝化模糊的图像块并丢量()实质上是一种降低时间和空间复杂度的考虑; 失位管信息。为了恢复原始图像结构特征,使用()统一的过滤器数量使得网络结构更加清晰,易丁编 了次跳跃连接方式来连接低层与高层的特征图 码实现。 实际是一个全卷积神经网终,输入和输出均为图像, 在网络训练阶段,并未使用任何的预训练模型,但 省咯了全连接层。较浅的层用来解决像素定位问题较在训练开始前对数据集做了一些适当地调整如图片裁 深的层用来解决像素分类问题。高分辨率遥感图像语剪、色彩调整等。本文网络最后一层使用 作 义分割需要处理非常丰富的细节特征,改造了原始 为分类函数,使用交乂熵评估训练结果,损失函数定义 实现」精确的像素级标注效果。其体地,本文网络如下 结构如图所示。 loss=-22y,- 1g(y_pred 按照标准的卷积神经网络框架,逐层进行转换,结 构的最后一层是和原始图像同样大小的预测输出图,输式屮,y表示样本的真实类别,ymrd表示网格对 出图中的每一像素点是代表类别的整数值。与原始 样木i的预测结果。设置批次大小为,优化器使用 相比,本文网络结构拥有更多的卷积层,并在卷积层 学习率设为 和解卷积层前都做了批标准化操作,采用最大池化,激 结果优化 活函数采用的是 把网络屮“批标准化卷积解卷 在节中,实际为每一类地物目标训练了一个二 积激活”连续操作称为一次“超卷积”( 分类模型,共得到幅分割子图。为每一类型训练模型 整个网络实际上是由一系列的超卷积、池化、连接和最是容易对每·类网络进行微调,其关键是为了克服数据 后的像素级分类操作组成的。卷积操作中,卷积过滤器量不平衡问题,如图所示,样本数量最少的水体仅占 尺寸为 ,单位步长,零填允;解卷积操作中,过滤 而建筑则占到了 如果直接训练一个模 器尺寸均为 输出尺寸是输入尺寸的倍,步长型会使得模型存在选择偏好。需要指出,并未对“其他 为,零填充;池化操作中,过滤器尺寸均为,步长也类”训练模型这是因为不同于其他具体类别,“其他类 为。所有过滤器的权值用服从截断高斯分布的随机值不具有明显的统计特征。在合并分割子图时,提出了 来初始化,零均值,方差设成。所有偏置均用 种“多数表决”的策略,即对某一像素点,伈同模聖的预 初始化。值得注意的是,在原始中,过滤器深度测结果出现分歧时该像素的类别为其邻域中的出现 从逐层增加至,而本文网络把过滤器的深度统次数最多的类別。在网络后端处理部分,当下大多数语 设置为。这是因为实验采用的数据集仪包含个义分割网终都使用了条件随机场及其变种对预测结果 类别,其特征组合数远远少于 进行优化,但实验发现效果并不明显推测原因可能是 等数据集中样本的特征组合数,如果参照原始中人工标记不准确。由此使用了集成学刈的方法来确定 的过滤器深度,网络不易收敛,分割准确率较低。具休最终的语义分割结果,即训练多个不同类型的模型,综 而言,这样出于三个方面的考虑:()数据集中类別数和合考虑各模型的分割结果。仍旧采用“多数表决”的策 待识别特征数均较少,网络池化操作中丢失掉的信息可略,对每幅图相应位置的像素点,得票数最多的类别即 以通过“解卷积”和“跳跃连接”重新获取。另外在遥感为该像素点的类别,采用 原始 和本文网 图像中,不需要去理解和识别高层次物体的概念,在络的综合。使用集成学习对模型分割结果作后处理,避 铰高网络层中增加过滤器的数量,并不影响模型的实际免了由丁分割结果不精细而出现的类白噪声现象 预测性能;()参照经典版本的网络结构设置对实验的 评价指标 硬件设备,尤其是要求极高,设计统一的过滤器数 系数(定义如式())在遥感分类图像的精 苏健民,等:基于的高分辨率遥感图像语义分割方法 输入图像 输出图像 11 图网络结构示意图 度评估有着重要应用,其取值范围为(-,) (⊥B)=A∩B 意味着好的分类,或更低意味着差的分类 A∪B h=20 p 实验分析 实验以 作为开发框架,计算机硬件 式中,Po=N,p= ,P被称为观测精主要配置为两块 本文网络训练了约两天,在数据集上取得了 奛性比例,反映解释正确的单元格的比例;p被称为偶 的训练准确率以及的测试准确率。在对语义 然性一纹性比例,表示偶然性因素导致的错误解释的比分割结果作详细定量评价之前,首先定性展示其他著名 例。更为通用的语义分割评价指标还包括系网络和本文方法对高分辨率遥感图像的语义分割结果, 数,定义如式( 如图所示 其他■植被匚■水体匚建筑■道路 原始图像 人工标记 本文方法 图遥感图像语义分割结果 () 计算机工程与应用 其他 其他 植被 植被 道路 路 建筑 建筑 水体 水体 其他植被道路建筑水体 其他植被道路建筑水体 预测类别 预测类别 图原始 与本文方法处理混淆矩阵对比 表不同类别语义分割质量评价 类别 本文 本文 方法 方法 方法 其他 植被 道路 建筑 可以看出,本文网络的分割结果最接近于人工标 结束语 记,且整体视觉感知最优。注意,以上各网络统一了过 本文提出了·种改进的全卷积神经网络,用 滤器深度,均为,实验中尝试了原始深度及其他各种于端到端的高分辨率遥感图像语义分割。提出閃路在 深度,效果均难以令人满意。事实卜,网络的收敛时间卷积操作前作批标准化处理,统一过滤器深度,使用 也排在各网络收敛时间的前列,这主要得益于使川了∫批 替换原炲激活函数。按照通用框架,在前端 标准化技巧。其不仅降低了网络对初始化权重的敏感{用改进 做图像粗分割,后端使用集成学小投票 度,而且很好地解决了过拟合问题,本文络也因此并优化前端输出。在”卫星影像的分类与识别竞 未设置 层。发现,使用解卷积要优于上池化,主赛”数据集上的实验显示了提出方法的有效性和先进 要体现在收敛速度和最终的分割准确率上。同等条件性,其训练集准确率为,测试集准确率为,实现 下,使用上池化收敛用时是解卷积的倍,分割精度了对遥感图像中建筑、道路水体植被等复杂目标的准 低个白分点 再来关注使用集成学习投票策略给语义分割准确 确分割。与其他先进语义分割网络相比,提出网络取得 了最佳的分割准确率,并且收敛时间最短。通过实验得 率带来的提升。图展示了使用原始和本文网 出的结论主要包括:()在小类别语义分割任务上,较浅 络集成学习后处理的分割结果混淆矩阵对比。 可以看出,本文方案在除对水城的分割以外,对其网络深度同样可以取得非常好的效果;()解卷积的 他各类的分割均优于原始 ,对道路和建筑凶分割 作用优于上池化;()对小样本进行过采样有利于解决 精度提升尤其显。在表、中详细展示了各网终在测类别不平衡问题;()以全连接条件随机场为代表的条 试集上的定量评价,表是各网络对每一类别的分割质件随机场优化在复杂遥感图像语义分割任务上作用不 量评价 及提出方法优丁其他网络,在 系人。后续的研究,将尝试根据不同类别设计不同尺度 数评价指标中本文方法是唯一超过的网络,实际达图图像块秈滑动窗凵以实现更加精确的遥感图像语 到了在评价指标 系数这一指标中,此方法义分割。 同样处于领先地位。 表测试集语义分割质量评价 参考文献 网络 系数 系数 黄凯奇,任伟强,谭铁牛图像物体分类与检测算法综述 计算机学报, 王春艳,徐爱功,李玉,等融入空间关系的二型模糊模型 高分辨率遥感影像分割遥感学报,() 赵雪梅,李玉,赵泉华基于隐马尔可大高斯随机场樸型的 本文方法 模糊聚类高分辨率遥感影像分割算法电子学报, 苏健民,等:基于的高分辨率遥感图像语义分割方法 ☆ ) (上接第页) 张其文,谢艳钊基于属性权重的时序模糊软集的群决策 方法研究计算机科学 彭守镇,林显宁,吴桂明,等犹豫语言信息集成算法及其 数据库选择应用计算机工程与应用, 王应明运用离差量大化方法进行多指标决策与排序 徐达宇,杨善林,罗贺基于广义模糊软集理论的云计算 屮国软科 资源需求组合预测研究中国管理科学 毛军军,姚登宝,王翠翠基于时序模糊软集的群决策方 法系统工程理论与实践, 马庆功,王峰广义直觉模糊几何 平均及其多 属性决策计算机应用,

...展开详情
试读 7P 论文研究-基于U-Net的高分辨率遥感图像语义分割方法.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
一个资源只可评论一次,评论内容不能少于5个字
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
关注 私信
上传资源赚钱or赚积分
最新推荐
论文研究-基于U-Net的高分辨率遥感图像语义分割方法.pdf 48积分/C币 立即下载
1/7
论文研究-基于U-Net的高分辨率遥感图像语义分割方法.pdf第1页
论文研究-基于U-Net的高分辨率遥感图像语义分割方法.pdf第2页

试读结束, 可继续读1页

48积分/C币 立即下载 >