基于残差神经网络的道路提取算法研究

发布时间：2024-02-25 04:51

　　针对遥感图像道路提取信息丢失问题,提出了一种基于残差神经网络的道路提取算法。首先构建编码器-解码器网络,结合预编码器以及空洞卷积模块进行训练,提取更多的语义信息;其次并联设计的空洞卷积模块加在编码器-解码器结构的中间部分,它可以对不同感受野的特征图进行特征提取;最后编码器-解码器之间采用跳连的方式进行多尺度的特征融合,学习更多低维和高维的特征。实验结果表明,在Massachusetts道路数据集上,该方法相比其他算法在Precision、Recall和F1-score性能指标上分别有11%、0.3%和7.4%的提升;同时在Accuracy指标上也达到了97.9%,相比于其他算法,该算法有一定的应用价值。

【文章页数】：7 页

【部分图文】：

图3空洞卷积

其中，k表示卷积核大小，默认设置为3,n表示空洞卷积率，所以每一分支的感受野大小分别为3、5、9、17，最后一个分支为全局池化操作。图4空洞卷积模块

图4空洞卷积模块

图3空洞卷积1.3特征解码器

图5解码器模块

采用特征解码器恢复从空洞卷积模块获得的高维语义特征，SkipConnection将从编码器中获得一些详细的信息，弥补连续的池化以及跨卷积操作带来的信息损失，文中采用有效的卷积块组合的方式，增强解码的性能。对比不同的网络结构，简单的上采样和反卷积是U形网络中常见的操作，比如常见的....

图6可视化结果

提出的算法能够准确地提取到了道路的网络结构，图6所示为道路提取可视化的结果。随机选择了四张预测结果进行比较，如图6所示，5层U-Net比7层U-Net的分割结果好，5层U-Net分割出了更多的道路信息，7层U-Net丢失了许多细小的道路信息，对于显著的道路信息两者都能将大致的道路....

本文编号：3910109