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(shù)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(yù)測任務(wù)，基于全卷積神經(jīng)網(wǎng)絡(luò)（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(shè)備上應(yīng)用語義分割技術(shù)、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(lǐng)域作為應(yīng)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(luò)進行梳理。首先，分析卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)結(jié)構(gòu)及訓練過程，闡述經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)分類模型；其次，剖析語義分割算法中常見的分割網(wǎng)絡(luò)結(jié)構(gòu)特性，包括對稱的編碼 -解碼結(jié)構(gòu)，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(luò)模型的設(shè)計思路，即采用編碼 -解碼結(jié)構(gòu)，基于輕量級語義分割網(wǎng)絡(luò)（ENet）來設(shè)計網(wǎng)絡(luò)架構(gòu)。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(luò)結(jié)構(gòu)，修改ENet網(wǎng)絡(luò)中的瓶頸結(jié)構(gòu)（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(quán)重，增強有益特征權(quán)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(luò)模型能夠較快地實現(xiàn)圖像語義分割效果。第三，構(gòu)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(yù)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(guān)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(luò)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(jié)果；實驗時適當修改損失函數(shù)，增加小類別樣本權(quán)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(lǐng)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