針對傳統(tǒng)機器學(xué)習(xí)方法提取建筑物,耗時長和精度低的問題。文中選用深度學(xué)習(xí)中的SegNet語義分割模型進行算法改進,提出了一種基于稀疏約束SegNet的高分辨率遙感影像建筑物提取算法。首先對SegNet模型加入正則項和Dropout,大大降低了模型過擬合現(xiàn)象的發(fā)生;其次為了模型能夠提取更豐富的語義特征,算法引入金字塔池化模塊;最后對SPNet模型引入Lorentz函數(shù)稀疏約束因子,構(gòu)造新的語義分割模型LSPNet.為了驗證提出算法的可靠性和適用性,使用優(yōu)化LSPNet模型對高分辨率數(shù)據(jù)集中的建筑物識別和提取。實驗結(jié)果表明,該方法與傳統(tǒng)機器學(xué)習(xí)方法相比較,有著快速收斂、精度高的優(yōu)勢,并且具有很好的應(yīng)用前景。

【文章頁數(shù)】：8 頁

【部分圖文】：

圖2ReLU函數(shù)

圖1SegNet網(wǎng)絡(luò)結(jié)構(gòu)將經(jīng)過編碼器得到的特征圖利用最大池化像素的索引值來進行上采樣操作;同時對生成的特征圖再次進行卷積計算,得到密集特征圖;最后將產(chǎn)生的多通道特征圖通過Sigmoid分類器進行操作,輸出端對端的語義分割圖像。

圖3池化操作

原始SegNet模型中,如圖3所示的池化層操作會導(dǎo)致影像丟失少量的高頻成分,產(chǎn)生鈍化的模糊塊并丟失像素位置和空間信息。為解決這一問題,考慮引入金字塔模塊。金字塔池化模塊根據(jù)不同粗細尺度進行特征融合,不同尺度級別的輸出包含不同大小的特征圖,但是都采用1*1卷積層把上下文表示的維數(shù)降....

圖4金字塔池化模塊

金字塔池化模塊根據(jù)不同粗細尺度進行特征融合,不同尺度級別的輸出包含不同大小的特征圖,但是都采用1*1卷積層把上下文表示的維數(shù)降低為原來的1/N,其中N表示加細級別的大小,再把低維特征圖通過雙線性插值進行上采樣,以獲得相同大小的特征。最粗尺度利用全局平均池化對特征圖進行單格輸出,在....

圖5LSPNet模型結(jié)構(gòu)

算法模型參考了SPSNet模型,將池化層改用金字塔池化模塊;同時利用增加了稀疏約束因子的損失函數(shù)計算輸出值與標簽值的差異,加快了誤差反向傳遞算法對權(quán)重和偏置項更新的速度,減少了訓(xùn)練時長。LSPNet模型主要結(jié)構(gòu)如圖5所示。2結(jié)果評價指標

本文編號：3932459