基于稀疏约束SegNet的高分辨率遥感影像建筑物提取

发布时间：2024-03-19 06:19

　　针对传统机器学习方法提取建筑物,耗时长和精度低的问题。文中选用深度学习中的SegNet语义分割模型进行算法改进,提出了一种基于稀疏约束SegNet的高分辨率遥感影像建筑物提取算法。首先对SegNet模型加入正则项和Dropout,大大降低了模型过拟合现象的发生;其次为了模型能够提取更丰富的语义特征,算法引入金字塔池化模块;最后对SPNet模型引入Lorentz函数稀疏约束因子,构造新的语义分割模型LSPNet.为了验证提出算法的可靠性和适用性,使用优化LSPNet模型对高分辨率数据集中的建筑物识别和提取。实验结果表明,该方法与传统机器学习方法相比较,有着快速收敛、精度高的优势,并且具有很好的应用前景。

【文章页数】：8 页

【部分图文】：

图2ReLU函数

图1SegNet网络结构将经过编码器得到的特征图利用最大池化像素的索引值来进行上采样操作;同时对生成的特征图再次进行卷积计算,得到密集特征图;最后将产生的多通道特征图通过Sigmoid分类器进行操作,输出端对端的语义分割图像。

图3池化操作

原始SegNet模型中,如图3所示的池化层操作会导致影像丢失少量的高频成分,产生钝化的模糊块并丢失像素位置和空间信息。为解决这一问题,考虑引入金字塔模块。金字塔池化模块根据不同粗细尺度进行特征融合,不同尺度级别的输出包含不同大小的特征图,但是都采用1*1卷积层把上下文表示的维数降....

图4金字塔池化模块

金字塔池化模块根据不同粗细尺度进行特征融合,不同尺度级别的输出包含不同大小的特征图,但是都采用1*1卷积层把上下文表示的维数降低为原来的1/N,其中N表示加细级别的大小,再把低维特征图通过双线性插值进行上采样,以获得相同大小的特征。最粗尺度利用全局平均池化对特征图进行单格输出,在....

图5LSPNet模型结构

算法模型参考了SPSNet模型,将池化层改用金字塔池化模块;同时利用增加了稀疏约束因子的损失函数计算输出值与标签值的差异,加快了误差反向传递算法对权重和偏置项更新的速度,减少了训练时长。LSPNet模型主要结构如图5所示。2结果评价指标

本文编号：3932459