DeepLabv3 与联合损失函数的遥感影像建筑物分割.pdf

信息技术 年第 期 与联合损失函数的遥感影像建筑物分割苏日亚 杨彦明 安 全 于建明(内蒙古自治区地震局 呼和浩特)摘 要:快速、自动从遥感影像中提取建筑物可为城市管理、军事侦查、灾后应急评估等提供辅助决策依据 采用基于 骨干网络的 深度学习语义分割模型结合 和 联合损失函数优化算法实现遥感影像的建筑物提取 在 数据集上训练、评估和预测结果显示采用方法可成功提取遥感影像中的建筑物准确率最高可达 最高可达 关键词:遥感影像 深度学习 语义分割 建筑物提取 联合损失函数中图分类号:文献标识码:文章编号:():./.基金项目:中国地震局地震应急青年重点任务()作者简介:苏日亚()女硕士研究生工程师研究方向为地震信息系统开发及机器学习 ():.:引 言从遥感影像中提取建筑物可为城市规划管理、军事侦察、灾害发生后的快速应急评估等提供辅助决策依据 目前高分辨率遥感影像建筑物提取方法可分为基于人工特征的提取方法和基于深度学习的方法两种 基于人工特征的提取方法将建筑物几何形状、光谱特征、纹理等人工感知特征与机器学习结合实现建筑物的半自动提取 该类方法的建筑物提取受建筑物风格、环境变化等因素的约束自动提取普适性差 基于深度学习的建筑物提取方法是借助深度学习网络自动学习遥感影像中的建筑物特征实现快速、自动、像素级的分割任务该方法克服了传统人为设计特征造成的不完备性遥感影像中建筑物呈类别不均匀、背景像素 与联合损失函数的遥感影像建筑物分割 苏日亚 等比例大于建筑物像素比例的特点从复杂的背景环境中完整提取不规则类型建筑物目标是深度学习建筑物提取的研究难点 自 年 等人提出()网络将传统卷积网络的全连接层换成全卷积层实现图像的像素级分类之后推出的多种演变、等网络架构使目标分割精度上得到了提升 为了从高分辨率遥感影像中有效提取建筑物目标克服遥感图像中建筑物类别不均衡问题本文提出了采用 作为骨干网络的 模型的方法并在模型中采用 和 联合的损失函数作为优化算法 基于 的 模型 语义分割模型是 对 模型的改进在 基础上新增解码模块以获得目标精细边缘 网络结构如图 所示编码结构中带有空洞卷积的 网络结合空间金字塔池化模块()利用不同扩张因子的空洞卷积来对图像进行多尺度特征融合扩大感受野获得多尺度信息提取丰富的语义信息 模块中将底层特征与高层特征融合提升分割边界准确度获得精细的边缘图 网络结构 卷积神经网络深层的网络结构能够提取丰富的特征层然而随着网络深度的增加会带来梯度消失、梯度爆炸和网络退化问题 年何凯明等提出 网络结构引入残差网络结构()实现冗余层输入输出的恒等映射解决训练过程中最优化后网络退化问题且 更新节点参数时通过“”直接将输入传到输出作为初始结果保证节点参数更新不会发生梯度消失或梯度爆炸现象本文将 模型的 由 替换成 网络 网络是含有 个 层的 网络 是 的改进网络其在不改变 计算复杂度的情况下通过修改下采样卷积层的步长大小来提高模型精度 如图 所示 网络保留了 网络的输入层、四个阶段层和输出层结构对其四个阶段的下采样块进行了改进为了减少下采样过程中特征信息丢失改进的 网络将每个阶段下采样移至 卷积中并且将路径 部分的下采样由 内核的平均池化 完成避免了步长为 的 卷积造成特征信息的丢失 模型训练 训练准备数据集使用法国国家信息与自动化研究所开源的 数据集 与联合损失函数的遥感影像建筑物分割 苏日亚 等图 结构该数据集包含奥斯汀、芝加哥、基特萨普、蒂罗尔、维也纳五个不同城市采集的 张 像素的三通道 图像和 张对应单通道灰度图标签图像空间分辨率为 米标签集标注了建筑物和非建筑物两类 数据预处理过程将五个不同城市 张大图切割成 大小的 张图像并划分成训练集、验证集和测试集本文在 环境下进行模型训练、评估和可视化 是目前中国首个具备完全自主知识产权的开源深度学习框架 其提供端到端的开发库通过配置和 调用来实现深度学习的训练、评估、可视化全流程应用 是基于 框架的语义分割库覆盖了 、等多 个 主 流 图 像 分 割 网 络 采 用 数据预处理、数据集、模型、骨干网络、损失函数五个模块化设计实现语义分割应用 功能框架如图 所示由于 配置要求标注图片为单通道灰度图每一种像素值代表一种类别像素标注类别从 开始递增非建筑物标注像素为 建筑物图 功能框架标注像素为 因此本文对数据集的标签集进行了 独热编码处理 模型搭建环境和超参数配置如表 所示表 模型搭建环境和超参数配置模型环境超参数配置 架构批处理数:分割库:初始学习率:学习率策略:“”联合损失函数优化 原始模型采用交叉熵损失函数正向传播计算损失函数值后反向传播更新模型参数使不断优化模型而获得高的模型准确率 遥感图像中建筑物呈类别不均匀和背景像素比例大于建筑物像素比例的特点 建筑物和非建筑物分割二分类任务中二元交叉熵损失 对每个像素进行平等学习导致网络偏向像素占比大的背景的学习降低对前景目标的学习提取为了从遥感影像中有效提取建筑物提高分割指标本文模型中采用 和 组合的联合损失函数作为模型优化算法 是对分割指标 进行优化的损失函数多用于图像前景和背景分割任务中 模型配置中联合损失函数的 和 的权重分设为 和 赋值 、赋值 损失函数配置入口 损失函数赋权重 与联合损失函数的遥感影像建筑物分割 苏日亚 等 评估标准本文采用准确率、平均交并比 两个语义分割常用的指标来衡量深度学习模型的建筑物提取精度 混淆矩阵用于判定建筑物提取精度 为正确提取的建筑物样本数 为正确提取的非建筑物样本数 为错误提取的建筑物样本数 为错误提取的非建筑物样本数准确率和交并比公式如式()()所示:准确率()预测正确的样本数与总样本数的比值:()交并比()每一类别真实值与预测值交集与并集的比值比值越接近 则真实值与预测值的重合度越高模型分割精度越高 ()预测结果与分析 张数据集划分 张图像作为模型的训练集和评估集 张图像作为测试集 训练过程中采用边训练边评估的方法每训练一个 后保存模型的同时对模型进行评估将最优模型保存下来 训练结束后用训练所获得最优模型对测试集进行预测 部分预测结果如图 所示第一行图像为遥感影像原图、第二行为标签图像、第三行为测试集上进行的分割结果 预测结果对比显示模型对五个不同城市不同风格的建筑物目标和边缘特征进行了有效提取 表 给出了本文方法和以 为骨干的原 模型的分割指标对比 指标显示本文方法在五个不同城市的建筑物提取准确率可达 可达 奥斯汀、芝加哥、基特萨普三个城市的建筑物提取准确率均比原 模型的建筑物提取准确率有所提高图 遥感影像建筑物提取表 不同方法指标对比模型奥斯汀芝加哥基特萨普蒂罗尔维也纳()()()()()()()()()()建筑物 非建筑物 本文方法建筑物 非建筑物 与联合损失函数的遥感影像建筑物分割 苏日亚 等 结束语本文提出了基于 为骨干网络的 模型并在模型中采用二元交叉熵损失函数 和 损失函数共同优化的联合损失函数算法以减少下采样过程中特征信息丢失实现从高分辨率遥感影像中提取建筑物目标 框架下利用 数据集五个不同城市的数据对模型进行训练、评估和测试实验结果表明在遥感影像建筑物类别不均匀、背景像素比例大于建筑物像素等干扰下本文方法成功提取了建筑物目标和建筑物边缘特征信息 实验结果验证了本文方法在高分辨率遥感影像建筑物目标和边缘特征完整提取的可行性参 考 文 献:朱俊杰范湘涛杜小平.几何特征表达及基于几何特征的建筑物提取.应用科学学报():.():.():.:./:.?.():.马艳军于佃海吴甜等.飞桨:源于产业实践的开源深度学习平台.数据与计算发展前沿():.():.:.:.罗李焱朱婷萼张桂铭等.基于 模型的高分辨率遥感影像建筑物提取.电子信息对抗技术():.(责任编辑:杨静)(上接第 页)赵芬芬.我国 平台高辍学率应对策略建议.电脑知识与技术():.姜强李月孙洁等.自适应混合 模式:设计新范式.中国电化教育():.贾靖怡李玉斌姚巧红等.基于 的 学习成绩预测模型研究.软件导刊():.李贤琴.基于 混合教学模式的研究.电脑知识与技术():.赵磊邓彤吴卓平.基于数据挖掘的 学习者学业成绩预测与群体特征分析.重庆高教研究():.廖宏建曲哲胡莹.社区中基于移动情境感知的学伴推荐方法研究.广州大学学报:自然科学版():.廖宏建谢亮曲哲.一种基于隐式信任感知的 推荐方法.情报理论与实践():.王艳丁雪梅孙薇.深度学习在 推荐系统中的应用.实验技术与管理():.(责任编辑:杨静)