没有合适的资源?快使用搜索试试~ 我知道了~
基于Res2Net的多尺度遥感影像海陆分割方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 186 浏览量
2023-02-23
20:44:17
上传
评论
收藏 345KB DOCX 举报
温馨提示
试读
12页
基于Res2Net的多尺度遥感影像海陆分割方法.docx
资源推荐
资源详情
资源评论
摘要
遥感影像海陆分割在海岸线提取、海岛礁识别、近岸目标检测等方面具有重要的应用价
值。然而,复杂多样的背景环境和海陆边界易导致出现海陆边界分割不准确的现象。针对
上述问题,提出了一种基于 Res2Net 的多尺度遥感影像海陆分割网络——MSRNet,该网
络利用深层卷积神经网络 Res2Net 提取影像的多尺度特征图,并利用压缩和注意力模块对
不同尺度的特征图进行特征增强,以加强海陆弱边界信息;将增强后不同尺度的特征图上
采样至原始影像大小,同时利用深度监督策略对不同尺度的预测结果进行损失增强。选取
两组包含不同海岸类型的遥感影像数据集进行实验,结果表明,所提网络能够得到更准确
的海陆分割结果和更加清晰完整的海陆边界。
Abstract
The sea-land segmentation of remote sensing images has significance application value
in applications such as coastline extraction, island reef identification, and near-shore
target detection. However, it is prone to inaccurate sea-land boundary segmentation
owing to the influences of complex and diverse background environment and the sea-
land boundary. To address the aforementioned problem, a multi-scale sea-land
segmentation network, namely MSRNet, for remote sensing images based on Res2Net is
proposed in this paper. It uses a deep convolutional neural network named Res2Net to
extract multi-scale features of images and applies a squeeze and attention module to
enhance features at different scales to strengthen the weak sea-land boundary
information. The enhanced feature maps at different scales are then upsampled to the
original image size, and the prediction results at different scales are loss-enhanced using
a deep supervision strategy. Two remote sensing image datasets containing complex
scenes are selected for the experiments, and the results show that the proposed network
can obtain more accurate sea-land segmentation results as well as clearer and more
complete sea-land boundaries than other networks for various natural and artificial
coastlines.
1 引言
随着遥感技术的快速发展,遥感数据获取手段更加多样化,遥感影像的空间分辨率、时间
分辨率、光谱分辨率以及辐射分辨率也在不断提高,为大范围海岸地区的研究提供充足的
数据支撑。在遥感影像上,将海洋区域和陆地区域进行有效的区分、实现快速高精度的海
陆分割,在海岸线提取、海岛礁识别及近岸目标检测等方面具有重要的应用价值
[1]
。
传统的海陆分割方法包括阈值分割法
[2]
、活动轮廓模型法
[3]
、区域生长法
[4]
以及基于马
尔可夫随机场的方法
[5]
等,主要依靠影像中陆地和海域在灰度、纹理等方面的差异进行分
割,在水陆交界灰度差异明显、水边线形状简单的情况下能够取得较好的分割结果,但是
容易受噪声干扰,需要人为设置参数来调控结果,鲁棒性较差。近年来,深度学习特别是
卷积神经网络(CNNs)在语义分割等领域取得了超越传统方法的优异成绩,为利用
CNNs 进行遥感影像海陆分割提供了基础
[6-7]
。文献[8-10]以编码-解码架构为基础,构
建了更深层的语义分割网络,实现了端到端的遥感影像海陆分割,并利用全连通条件随机
场(CRF)模型和形态学运算对分割结果进行后处理,进一步改善海陆分割结果。此外,
由于海陆分割任务同样关注海陆边界分割的准确性,文献[11-13]针对这一问题提出了
多任务框架,通过扩展网络分支提高海陆分割精度。现有研究多是针对边界清晰的岩石海
岸或人工海岸的分割,然而大范围遥感影像中海岸类型多样,弱边界(淤泥岸线)和强边
界(人工岸线)交替分布,语义分割网络难以同时实现多种场景下的海陆分割;此外,遥
感影像中海陆交界处像素占比较低,造成了样本不平衡问题,使得网络在训练过程中对此
区域的学习程度较低,容易产生边界分割不清的现象。
针对上述问题,本文设计了一种基于 Res2Net 的多尺度遥感影像海陆分割网络
(MSRNet),用于提高网络对复杂场景影像的海陆分割能力。该网络引入深层卷积神经
网络 Res2Net
[14]
提取影像的多尺度信息,并在每层提取特征后引入注意力模块,增强弱
海陆边界的特征,同时利用深度监督策略增强网络学习目标边界信息的能力。所提网络以
两组包含复杂场景的遥感数据集作为研究对象,引入边缘分割评价指标以更好地评价海陆
边界处的分割结果。将该网络与目前主流的语义分割网络进行对比实验,结果表明本文网
络在各评价指标中均达到最优,能够适用复杂场景下的海陆分割任务,提取到更加完整、
连续的海陆水边线。
2 网络结构
本文提出的 MSRNet 结构如图 1 所示,网络整体为编码-解码结构,encoder_m 和
decoder_m(m∈{1,2,3,4,5})分别表示网络的编码层和解码层。网络编码过程使
用 Res2Net-50 的预训练模型进行迁移学习,并在每层特征提取后引入压缩与注意力
(SA)模块
[15]
,加强网络对弱边界的提取能力;解码过程将各特征图的上采样
(upsample)作为网络的侧边输出(S1~S5),将各侧边输出进行组合以实现多层次特征
融合(S6),并对各特征输出(S1~S6)使用深度监督策略进行处理,最后对网络输出的
海陆分割结果进行边缘检测,从而获得水边线。
图 1. 网络结构图
Fig. 1. Architecture of the proposed network
下载图片 查看所有图片
2.1 多尺度编码结构
2.1.1 Res2Net 网络
卷积神经网络中的多尺度表达能力非常重要,特别是语义分割任务需要利用来自不同尺度
的上下文信息消除局部信息不足造成的歧义。Res2Net 是一种新型多尺度网络,将
ResNet 残差块(Res_Block)内的特征映射分成多个通道组,通过在不同的通道组之间设
计一个类似残差的连接,使得网络在更细粒度的层次上提高多尺度表达能力。图 2(a)
为 Res_Block 的结构图,通过在输入和输出之间添加一条跳跃连接,使得输入信息直接传
输到后面的层,这简化了网络学习的难度。图 2(b)为构成 Res2Net 的残差单元
Res2_Block 的结构图,在 1×1 的卷积层之后将特征图分为 s 个子集,分别用 x
i
表示,其
中 i∈{1,2,3,…,s}。每个特征图子集 x
i
具有相同的空间大小,但通道数是原输入
特征图的 1/s,除 x
1
外每个 x
i
都有其对应的 3×3 卷积层,分别用 K
i
表示,将 x
i
经过卷积层
K
i
后的输出设为 y
i
,将特征图子集 x
i
和经过 K
i-1
的特征图子集 x
i-1
相加后输入 K
i
,得到输出
y
i
,其中 y
i
表达式定义如下:
剩余11页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3578
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功