針對遙感圖像海面溢油區(qū)域通常受到斑噪聲以及強(qiáng)度不均等因素的影響,從而導(dǎo)致溢油區(qū)域監(jiān)測效果較差的問題,本文引入了深度語義分割的方法,將深度卷積神經(jīng)網(wǎng)絡(luò)與全連接條件隨機(jī)場相結(jié)合,形成端對端連接。以Resnet結(jié)構(gòu)為基礎(chǔ),首先通過深度卷積神經(jīng)網(wǎng)絡(luò)對多源遙感圖像粗分割并作為輸入,然后經(jīng)過改進(jìn)的全連接條件隨機(jī)場,利用高斯成對勢和平均場近似定理,建立條件隨機(jī)場形成遞歸神經(jīng)網(wǎng)絡(luò)作為輸出。通過多源遙感圖像對海面溢油區(qū)域進(jìn)行監(jiān)測,并利用可見光圖像估計(jì)溢油區(qū)域面積。實(shí)驗(yàn)在所建立的多源遙感圖像數(shù)據(jù)集上與其它先進(jìn)模型進(jìn)行對比,結(jié)果表明本文方法提高了溢油區(qū)域的分割精度以及精細(xì)細(xì)節(jié)程度,平均交并比為82.1%,監(jiān)測效果具有明顯地改善。

【文章頁數(shù)】：12 頁

【部分圖文】：

圖1空洞卷積原理

y[i]=∑kx[i+r?k]w[k].?????????(1)首先Deeplab改進(jìn)了Resnet架構(gòu),將Resnet的全連接層轉(zhuǎn)化為卷積層,最后兩個(gè)池化層去掉了下采樣,且后續(xù)卷積層的卷積核改為了空洞卷積,并對Resnet的權(quán)重進(jìn)行微調(diào),這樣網(wǎng)絡(luò)最后輸出的特征圖分辨....

圖2ASPP模塊原理

首先Deeplab改進(jìn)了Resnet架構(gòu),將Resnet的全連接層轉(zhuǎn)化為卷積層,最后兩個(gè)池化層去掉了下采樣,且后續(xù)卷積層的卷積核改為了空洞卷積,并對Resnet的權(quán)重進(jìn)行微調(diào),這樣網(wǎng)絡(luò)最后輸出的特征圖分辨率提高,感受野變大。然后進(jìn)行多尺度提取,ASPP模塊如圖2所示,在給定的輸入....

圖3平均場近似推理算法迭代過程

其中:ai為距離權(quán)重,l為類別,Qj(l)為每個(gè)點(diǎn)的類別概率。該算法的迭代過程可表示為多個(gè)卷積神經(jīng)網(wǎng)絡(luò)層,如圖3所示,fθ表示迭代帶來的變化。多層平均場迭代可以重復(fù)上述過程實(shí)現(xiàn),每一次迭代都來源于之前迭代的結(jié)果,這就相當(dāng)于將迭代平均場視為一個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò),網(wǎng)絡(luò)方程如式(6)～式(....

圖4DSS流程圖

通過上述改進(jìn),模型整體流程圖如圖4所示,首先輸入圖片經(jīng)過Resnet網(wǎng)絡(luò),將Con3_x與Con4_x的中間層改為空洞卷積,然后經(jīng)過多尺度ASPP模塊,通過不同的空洞卷積速率Rate=(6,12,18,24)得到不同大小的特征圖。其次經(jīng)過多尺度ASPP模塊,加入BN層后,它可以加....

本文編號(hào)：3971552