论文部分内容阅读
针对遥感图像河流数据样本人工标注成本高且难以大量获取，以及网络在河流图像边缘细节提取的效果不佳问题，提出一种通过自监督对比学习方式利用大量无标签遥感河流图像数据进行编码器预训练，并使用少量标签数据对预训练后的编码器进行微调，同时在编解码结构中使用一种新的非均匀采样方式的语义分割网络。自监督对比学习可以利用大量无标签数据进行前置任务模型训练，仅需少量标签数据对下游河流提取任务模型微调即可；非均匀采样方式能够通过对高频区域密集采样、对低频区域稀疏采样的方式获得图像中不同类别之间清晰的边界信息和同类别区域中的细节信息，减少模型的冗余度。在河流数据集上的实验表明，利用360幅有标签数据对预训练后的网络进行微调，其像素准确率、交并比、召回率分别达到90.4%、68.6%和83.3%，与使用1200幅有标签数据训练的有监督AFR-LinkNet网络性能相当；在使用全部数据标签进行微调后，网络的像素准确率、交并比、召回率分别达到93.7%、73.2%和88.5%，相比AFR-LinkNet、DeepLabv3+、LinkNet、ResNet50和UNet网络，像素准确率分别提高3.1、7.6、12.3、14.9、19.8个百分点，交并比分别提高3.5、8.7、10.5、16.9、24个百分点，召回率分别提高2.1、4.8、6.7、9.4、12.9个百分点，验证了模型在河流图像上精准提取河流的有效性。该算法模型对于解决缺少大量有标签数据和分析我国寒旱区河流分布、水灾害预警、水资源合理利用以及农业灌溉发展等具有重要意义。