论文部分内容阅读
卫星图像具有丰富的地物特征信息,分类后影像数据应用于多种行业。传统提取方法的性能依赖于手工特征的选择,无法适应复杂的大样本的高分辨率影像。与传统卫星图像提取方法相比,深度卷积神经网络由于出色的特征表示能力,在目标检测、语义分割、图像分类方法等计算机视觉工作中取得了很好的效果。但目前深度学习方法分类目标影像存在小目标分类差,过度分割的问题。针对以上问题,本文在大量分析卫星图像目标分类领域的国内外研究基础上,提出一种卫星图像目标分类新型网络模型AA-SegNet,该网络模型基于SegNet架构改进的注意力与增强型空间金字塔机制相结合而成。AA-SegNet网络模型主要结构由三部分组成。第一部分是编码网络,AA-SegNet结构改进为在编码器末端,加入增强型空间金字塔模块A-ASPP,A-ASPP结构中的平行扩张卷积采用不同的扩张因子,得到更密集的采样,收集更高层次的局部信息,并且旨在精准提取小目标。为了提高学习能力,A-ASPP结构使用扩张因子先扩大然后减少以保持信息获取多尺度的优势。扩张因子逐渐扩大,使感受野更加密集,能够感受更详细的背景信息;随后减少扩张因子以聚合局部信息来增强小物体的特征提取。第二部分是解码网络,在解码网络部分进行非线性上采样,结构改变为编码网络卷积层与解码器上采样之间建立空间注意力融合模块。空间注意力融合模块用于引导低级特征图,来帮助高级特征恢复像素定位细节,减少识别图像过度分割。解码器中注意力机制融合结构旨在加强特征传播并能够有效传递更高级别的特征信息以抑制低级特征的噪声。第三部分是后期处理模块全连接条件随机场。由于影像后处理拼接的效果存在一些空洞和碎片,在AA-SegNet网络模型后面,加入全连接CRFs进行后处理,对小分割区域惩罚。本文基于高分二号遥感影像为原始数据源,经过辐射定标、波段融合、数据切割、降采样和数据增强等技术制作不同数量级与不同属性的数据集,并将数据集输入到AA-SegNet进行训练。实验结果表明,AA-Seg Net网络总体识别准确率为96.65%,在识别率、F1分数以及训练时间等方面也都优于SegNet、U-Net、DeepLab-V3网络,并且AA-SegNet能够减少卫星图像过度分割,以及可以加强小目标的识别,本文方法在遥感图像识别领域具有一定的实用价值。