基于深度学习的遥感图像语义分割方法研究

　　随着人工智能技术的成熟，图像语义分割方法迎来了飞速发展的机会。语义分割是一种像素级的预测任务，基于全卷积神经网络（FCN）的分割方法，为了获得较高的分割精度，需耗费大量的计算资源。然而随着自动驾驶和移动终端需求的日益增长，在分割精度和分割速度之间进行平衡显得尤为重要，如何在计算力有限的设备上应用语义分割技术、减少计算量、提高运行速度更是成为当前研究的热点。鉴于此，本书以遥感领域作为应用场景，从视觉注意力机制和特征融合的角度，探索轻量级实时语义分割模型算法，在兼顾精度与速度的同时，实现快速准确的语义分割。本书主要研究内容如下。第一，对目前表现突出的卷积神经网络进行梳理。首先，分析卷积神经网络的基础结构及训练过程，阐述经典的卷积神经网络分类模型；其次，剖析语义分割算法中常见的分割网络结构特性，包括对称的编码 -解码结构，使用空洞卷积、深度可分离卷积、空洞空间金字塔池化（ASPP）等的扩张卷积核，轻量级语义分割法等，确立本书网络模型的设计思路，即采用编码 -解码结构，基于轻量级语义分割网络（ENet）来设计网络架构。第二，针对高分辨率遥感图像分割速度较慢，提出一种改进 ENet的实时语义分割模型 SE-ENet。该模型适当剪枝压缩 ENet网络结构，修改ENet网络中的瓶颈结构（Bottleneck）模块，下采样阶段交叉使用多种卷积核，实现各模块的轻量化，具备参数少、计算量低的特点，可实现快速图像分析处理；而融合至模型中的注意力机制，通过压缩和激励操作来重新标定特征通道的权重，增强有益特征权重，深度有序挖掘遥感数据集中的图像特征，保证语义分割的准确性。通过对 3种不同数据集的仿真分析表明，基于 ENet和注意力机制的语义分割网络模型能够较快地实现图像语义分割效果。第三，构建高分辨率遥感图像语义分割数据集，对数据集进行预处理、数据增强后，数据集扩充至 10万余张图像，为相关实验的训练与评估研究提供数据支撑。第四，基于特征融合策略对 SE-ENet模型进一步优化，将下采样模块间的特征图密集连接，生成优化后的网络模型 EFSE-ENet，通过融合浅层和高层的表征信息以获得准确精细的分割结果；实验时适当修改损失函数，增加小类别样本权重，调整学习率衰减方式以提升实验效果，并在DeepGlobe Road Extraction大型数据集上进一步验证模型的泛化能力，证明了其在保持一定精度的条件下可以达到实时分割的效果，兼具高效性。在本书撰写过程中，晋中学院计算机与信息工程系的领导和老师们给予了大力支持和帮助，在此表示衷心感谢！

暂缺《基于深度学习的遥感图像语义分割方法研究》作者简介

暂缺《基于深度学习的遥感图像语义分割方法研究》目录