基于深度學習的遙感圖像語義分割方法研究

　　隨著人工智能技術的成熟，圖像語義分割方法迎來了飛速發(fā)展的機會。語義分割是一種像素級的預測任務，基于全卷積神經(jīng)網(wǎng)絡（FCN）的分割方法，為了獲得較高的分割精度，需耗費大量的計算資源。然而隨著自動駕駛和移動終端需求的日益增長，在分割精度和分割速度之間進行平衡顯得尤為重要，如何在計算力有限的設備上應用語義分割技術、減少計算量、提高運行速度更是成為當前研究的熱點。鑒于此，本書以遙感領域作為應用場景，從視覺注意力機制和特征融合的角度，探索輕量級實時語義分割模型算法，在兼顧精度與速度的同時，實現(xiàn)快速準確的語義分割。本書主要研究內(nèi)容如下。第一，對目前表現(xiàn)突出的卷積神經(jīng)網(wǎng)絡進行梳理。首先，分析卷積神經(jīng)網(wǎng)絡的基礎結構及訓練過程，闡述經(jīng)典的卷積神經(jīng)網(wǎng)絡分類模型；其次，剖析語義分割算法中常見的分割網(wǎng)絡結構特性，包括對稱的編碼 -解碼結構，使用空洞卷積、深度可分離卷積、空洞空間金字塔池化（ASPP）等的擴張卷積核，輕量級語義分割法等，確立本書網(wǎng)絡模型的設計思路，即采用編碼 -解碼結構，基于輕量級語義分割網(wǎng)絡（ENet）來設計網(wǎng)絡架構。第二，針對高分辨率遙感圖像分割速度較慢，提出一種改進 ENet的實時語義分割模型 SE-ENet。該模型適當剪枝壓縮 ENet網(wǎng)絡結構，修改ENet網(wǎng)絡中的瓶頸結構（Bottleneck）模塊，下采樣階段交叉使用多種卷積核，實現(xiàn)各模塊的輕量化，具備參數(shù)少、計算量低的特點，可實現(xiàn)快速圖像分析處理；而融合至模型中的注意力機制，通過壓縮和激勵操作來重新標定特征通道的權重，增強有益特征權重，深度有序挖掘遙感數(shù)據(jù)集中的圖像特征，保證語義分割的準確性。通過對 3種不同數(shù)據(jù)集的仿真分析表明，基于 ENet和注意力機制的語義分割網(wǎng)絡模型能夠較快地實現(xiàn)圖像語義分割效果。第三，構建高分辨率遙感圖像語義分割數(shù)據(jù)集，對數(shù)據(jù)集進行預處理、數(shù)據(jù)增強后，數(shù)據(jù)集擴充至 10萬余張圖像，為相關實驗的訓練與評估研究提供數(shù)據(jù)支撐。第四，基于特征融合策略對 SE-ENet模型進一步優(yōu)化，將下采樣模塊間的特征圖密集連接，生成優(yōu)化后的網(wǎng)絡模型 EFSE-ENet，通過融合淺層和高層的表征信息以獲得準確精細的分割結果；實驗時適當修改損失函數(shù)，增加小類別樣本權重，調(diào)整學習率衰減方式以提升實驗效果，并在DeepGlobe Road Extraction大型數(shù)據(jù)集上進一步驗證模型的泛化能力，證明了其在保持一定精度的條件下可以達到實時分割的效果，兼具高效性。在本書撰寫過程中，晉中學院計算機與信息工程系的領導和老師們給予了大力支持和幫助，在此表示衷心感謝！

暫缺《基于深度學習的遙感圖像語義分割方法研究》作者簡介