天绘一号卫星遥感影像云雪检测的ResNet与DeepLabV3+综合法
发布时间：2022-01-27 10:49
云和雪的检测是卫星遥感影像处理过程中的一部分,也是对其进行后续分析和解译等应用的关键步骤。本文提出了结合ResNet和DeepLabV3+的全卷积神经网络云雪检测方法。采用ResNet50骨干网络,根据云和雪在天绘一号遥感影像上的特点优化DeepLabV3+网络模型,并采用ELU激活函数、Adam梯度下降法以及Focal Loss损失函数来加快收敛速度、提高分割精度。通过天绘一号卫星云雪影像数据集对网络进行训练并测试,试验结果表明,本文方法与传统Otsu法相比,稳健性更强,在检测精度上优于FCN-8s与DeepLabV3+,速度上优于DeepLabV3+,能推广用于不同来源的遥感影像,具有较好的应用前景。
【文章来源】：测绘学报. 2020,49(10)北大核心EICSCD
【文章页数】：11 页
【部分图文】：
裁切后的原图以及数据增强效果图
图3 DeepLabV3+原理[26]如图4所示,DeepLabV3+是将编码器-解码器和ASPP相结合,获取图像更多边界信息,ASPP可获取更多特征信息。骨干网络使用Xception模块级联而成,使用Xception Block21来获取图像高级语义信息,加入ASPP中。ASPP使用不同扩张率的带孔卷积和全局池化将上采样后的输出融合在一起,作为编码器输出部分。带孔卷积可以提取更密集的特征,捕获多尺度信息,比卷积和池化减少信息丢失。
实际中,云的种类多且形状各异,总体上薄云、卷云的比例少于厚云,本文训练数据集也体现出薄云、卷云及雪地数据较少的特点,使用CE Loss不能很好地平衡较少样本的学习。文献[34]通过不同参数的组合,验证了Focal Loss作为损失函数能够解决语义分割任务中样本不均衡的问题。Focal Loss是在CE Loss的基础上改进的,增加了一个权值,其公式如下FL(pt)=-(λ-pt)ylog(pt) (3)
【参考文献】：
期刊论文
[1]一种改进的Focal Loss在语义分割上的应用[J]. 杨威,张建林,徐智勇,赵春梅. 半导体光电. 2019(04)
[2]Stream-computing of High Accuracy On-board Real-time Cloud Detection for High Resolution Optical Satellite Imagery[J]. Mi WANG,Zhiqi ZHANG,Zhipeng DONG,Shuying JIN,Hongbo SU. Journal of Geodesy and Geoinformation Science. 2019(02)
[3]增强型多时相云检测[J]. 陈曦东,张肖,刘良云,汪晓帆. 遥感学报. 2019(02)
[4]结合超像素和卷积神经网络的国产高分辨率遥感影像云检测方法[J]. 徐启恒,黄滢冰,陈洋. 测绘通报. 2019(01)
[5]基于改进的全卷积神经网络的资源三号遥感影像云检测[J]. 裴亮,刘阳,谭海,高琳. 激光与光电子学进展. 2019(05)
[6]基于生成式对抗网络的遥感影像云检测方法[J]. 朱清,侯恩兵. 地理空间信息. 2018(05)
[7]基于卷积神经网络的高分辨率遥感影像云检测[J]. 刘波,邓娟,宋杨,舒阳. 地理空间信息. 2017(11)
[8]基于深度学习的资源三号卫星遥感影像云检测方法[J]. 陈洋,范荣双,王竞雪,陆婉芸,朱红,楚清源. 光学学报. 2018(01)
[9]遥感影像云及云影多特征协同检测方法[J]. 沈金祥,季漩. 地球信息科学学报. 2016(05)
[10]航空摄影过程中云的实时自动检测[J]. 高贤君,万幼川,郑顺义,杨元维. 光谱学与光谱分析. 2014(07)
博士论文
[1]多光谱卫星遥感影像云及云阴影精准检测算法研究[D]. 邱实.电子科技大学 2018
硕士论文
[1]遥感影像的云雪检测算法与地表反射率库构建算法研究[D]. 胡健.河南大学 2017
[2]高分辨率卫星遥感图像云检测方法研究[D]. 赵晓.哈尔滨工业大学 2013
本文编号：3612344
【文章来源】：测绘学报. 2020,49(10)北大核心EICSCD
【文章页数】：11 页
【部分图文】：
裁切后的原图以及数据增强效果图
图3 DeepLabV3+原理[26]如图4所示,DeepLabV3+是将编码器-解码器和ASPP相结合,获取图像更多边界信息,ASPP可获取更多特征信息。骨干网络使用Xception模块级联而成,使用Xception Block21来获取图像高级语义信息,加入ASPP中。ASPP使用不同扩张率的带孔卷积和全局池化将上采样后的输出融合在一起,作为编码器输出部分。带孔卷积可以提取更密集的特征,捕获多尺度信息,比卷积和池化减少信息丢失。
实际中,云的种类多且形状各异,总体上薄云、卷云的比例少于厚云,本文训练数据集也体现出薄云、卷云及雪地数据较少的特点,使用CE Loss不能很好地平衡较少样本的学习。文献[34]通过不同参数的组合,验证了Focal Loss作为损失函数能够解决语义分割任务中样本不均衡的问题。Focal Loss是在CE Loss的基础上改进的,增加了一个权值,其公式如下FL(pt)=-(λ-pt)ylog(pt) (3)
【参考文献】：
期刊论文
[1]一种改进的Focal Loss在语义分割上的应用[J]. 杨威,张建林,徐智勇,赵春梅. 半导体光电. 2019(04)
[2]Stream-computing of High Accuracy On-board Real-time Cloud Detection for High Resolution Optical Satellite Imagery[J]. Mi WANG,Zhiqi ZHANG,Zhipeng DONG,Shuying JIN,Hongbo SU. Journal of Geodesy and Geoinformation Science. 2019(02)
[3]增强型多时相云检测[J]. 陈曦东,张肖,刘良云,汪晓帆. 遥感学报. 2019(02)
[4]结合超像素和卷积神经网络的国产高分辨率遥感影像云检测方法[J]. 徐启恒,黄滢冰,陈洋. 测绘通报. 2019(01)
[5]基于改进的全卷积神经网络的资源三号遥感影像云检测[J]. 裴亮,刘阳,谭海,高琳. 激光与光电子学进展. 2019(05)
[6]基于生成式对抗网络的遥感影像云检测方法[J]. 朱清,侯恩兵. 地理空间信息. 2018(05)
[7]基于卷积神经网络的高分辨率遥感影像云检测[J]. 刘波,邓娟,宋杨,舒阳. 地理空间信息. 2017(11)
[8]基于深度学习的资源三号卫星遥感影像云检测方法[J]. 陈洋,范荣双,王竞雪,陆婉芸,朱红,楚清源. 光学学报. 2018(01)
[9]遥感影像云及云影多特征协同检测方法[J]. 沈金祥,季漩. 地球信息科学学报. 2016(05)
[10]航空摄影过程中云的实时自动检测[J]. 高贤君,万幼川,郑顺义,杨元维. 光谱学与光谱分析. 2014(07)
博士论文
[1]多光谱卫星遥感影像云及云阴影精准检测算法研究[D]. 邱实.电子科技大学 2018
硕士论文
[1]遥感影像的云雪检测算法与地表反射率库构建算法研究[D]. 胡健.河南大学 2017
[2]高分辨率卫星遥感图像云检测方法研究[D]. 赵晓.哈尔滨工业大学 2013
本文编号：3612344
本文链接：https://www.wllwen.com/projectlw/qxxlw/3612344.html
