基于无人机正射影像的城市居民区植被分类DeepLabV3%2B模型改进实验.pdf
《基于无人机正射影像的城市居民区植被分类DeepLabV3%2B模型改进实验.pdf》由会员分享,可在线阅读,更多相关《基于无人机正射影像的城市居民区植被分类DeepLabV3%2B模型改进实验.pdf(8页珍藏版)》请在咨信网上搜索。
1、第 卷第期 年月地 理 与 地 理 信 息 科 学 收稿日期:;修回日期:基金项目:国家自然科学基金面上项目“无人机支持下的居民区绿地对城市热舒适度影响机制研究”()作者简介:张枭(),男,硕士研究生,主要研究方向为城市遥感。通信作者 :基于无人机正射影像的城市居民区植被分类 模型改进实验张枭,冯莉,朱 榴 骏,帅 林 茹(河海大学水文水资源学院,江苏 南京 ;河海大学长江保护与绿色发展研究院,江苏 南京 )摘要:针对目前利用无人机可见光影像进行城市居民区植被分类存在精度不高、效率较低的问题,该文构建一种改进的 模型,选取南京市江宁、两处居民区无人机正射影像进行对比实验和模型迁移性能测试。实验
2、结果表明:基于改进 模型的植被总体分类准确度、精确度、召回率、犉得分、平均交并比在验证集上达到 、,较原模型分别提高了 、,且参数量降低 ,训练用时减少 ;在迁移性能测试中,乔木、灌木、草本分类精确度分别提高了 、。改进 模型可提高城市居民区植被分类精度与效率,分类结果可为城市微尺度热环境研究提供基础数据。关键词:无人机正射影像;城市居民区植被;改进 模型;植被分类中图分类号:;文献标识码:文章编号:()引言城市热环境直接影响居民的生活质量,而植被在城市热环境中扮演着重要角色,植被分类可为城市微尺度热环境研究提供基础数据。因此,如何提高城市居民区植被分类精度与效率尤为重要。卫星遥感影像广泛用于
3、大范围、快速的植被分类,包括基于像素和面向对象两种方法,前者(如支持向量机法、随机森林法)从图像像元出发进行像元级分类,后者(如多尺度分割法)先根据光谱、纹理、几何特征将图像分割成独立对象再进行分类。但卫星遥感数据受云量影响较大,难以满足小尺度植被精细分类的需求。无人机作为近年来兴起的一项新技术,搭配高分辨率可见光镜头获取正射影像,具有数据获取方便、周期短、成本低、影像空间分辨率高以及受天气影响小的特点,对于小区域范围的植被分类有着便捷、实时性高的优势。深度学习能从影像中提取到更复杂、多层次的特征,从而对影像进行分析与处理。例如,经典卷积神经网络 通过卷积与池化操作提取图像特征,最后输入全连接
4、层进行分类;全卷积神经网络 由 变化得到,接受任意尺寸图像的输入,可以实现像素级的分类,但未充分考虑像素之间的关系,分类结果不精细;使用编码器解码器为主体的跳跃连接结构,可以实现像素级的分割,支持样本较少情况下的模型训练,特别适用于医学细胞分割领域;是由 团队提出的一系列图像分割模型,从、发展至如今较突出的 ,这些语义分割模型在公开数据集上的表现均较出色。其中,模型在公开数据集 的平均交并比达到 ,较之前模型有大幅提升。因此,利用无人机结合深度学习方法开展植被分类研究具有广阔的应用前景,。林志玮等 基于 模型对无人机林地影像进行分类,实现了植被的准确识别;蒯宇等 提出一种多尺度特征感知网络对无
5、人机高分辨率可见光城市植被影像进行自动分类,有效减少了错分、漏分现象,提高了分类精度;赖丽琦 基于 模型提出改进,在林地无人机影像上进行植被分类,像素准确率和平均交并比分别为 和 。相较于城市公园、城市森林等区域,城市居民区植被具有斑块破碎度高、均一化程度低的特征,分类存在一定难度,故使用无人机影像对城市居民区植被进行分类的相关研究较少。尽管传统 模型可以捕获多尺度信息,提升边界分割效果,但仍存在分类不精细且工程量较大、效率不高的情况,对于小尺度植被分类仍有提升空间。因此,本研究基于无人机居民区正射影像,提出一种改进的 模型,以提高居民区乔木、灌木、草本种植被的分类精度和效率,并选取南京市区两
6、处居民区无人机影像进行实验,以期为城市居民区热环境研究提供更精确的植被基础数据。研究方法与数据 研究方法 模型该模型组合了编码器()和解码器()(图),采用主干网络 和带有空洞卷积的空间金字塔池化模块(,)提取高层特征,。其中,空洞卷积在卷积核内部间隔插入空值以扩大感受野,通过 模块可以获取图像不同尺度的上下文信息。得到的高层特征经过上采样进入 中,与原始低层特征图进行融合,再通过上采样还原特征图,最终得到分割结果,。图 原始 模型犉 犻 犵 犗 狉 犻 犵 犻 狀 犪 犾犇 犲 犲 狆 犔 犪 犫 犞 犿 狅 犱 犲 犾 改进 模型为提高分类精度、减少训练用时,本文对 模型做以下三方面的改进
7、:)替换主干网络。传统 模型的主干网络()结构复杂、参数量大、计算时间长,影响实际生产效率。本文用轻量级语义分割网络 替换 ,可以大幅减少参数量并降低权重模型大小和训练用时。由深度分离卷积、倒残差网络、线性瓶颈结构三大模块组成。其中,深度分离卷积通过先逐通道卷积后逐点卷积的方式极大减少了参数量;倒残差网络(图)调换了降维和升维的顺序,即先进行 卷积升维,再进行 逐通道卷积,最后通过 卷积实现降维;线性瓶颈结构使用线性激活函数 代替 激活函数,可以减少信息因非线性产生的损失,。另外,采用 激活函数替换原始 ,可以保留更多权值信息,从而减少量化误差。)调整 空洞率。原模型中 网络使用、共种空洞卷积
8、率,由于大尺度遥感影像图 倒残差结构犉 犻 犵 犐 狀 狏 犲 狉 狋 犲 犱狉 犲 狊 犻 犱 狌 犪 犾 狊 狋 狉 狌 犮 狋 狌 狉 犲分辨率较低,可以捕捉到影像较大尺度层面的特征,最终分类效果良好。而无人机获取的居民区影像空间分辨率很高,地物轮廓更精细,过大的空洞卷积核在进行卷积运算时会导致信息丢失,边界特征抓取效果变差。因此,本研究添加两个空洞率分别为和的 卷积,同时去除空洞率为 的卷积,进而构成密集 结构(图),以此适应影像的高分辨率特征,提高图像的特征抓取能力。)在解码阶段加入通道注意力机制。无人机正射影像具有 个通道,不同通道对于特征表达具有不同的重要程度。通道注意力机制是一
9、种网络自适应注意方式,可以让网络关注需要的信息,自动页第第期张枭,冯莉,朱榴骏,等:基于无人机正射影像的城市居民区植被分类 模型改进实验图 调整 结构犉 犻 犵 犃 犱 犼 狌 狊 狋 犲 犱 狊 狋 狉 狌 犮 狋 狌 狉 犲 狅 犳犃 犛 犛 犘学习明暗色域特征在不同通道的权重表现,进而提高对图像特征的把握能力。通道注意力机制主要包括压缩、激励、还原个过程,如图所示,压缩过程通过全局平均池化得到特征向量,随后激励过程给每个特征通道赋予权重值并进行两次全连接,最后将全连接后得到的权重矩阵与原图相乘进行特征图还原 。在 的解码阶段添加通道注意力机制,可让网络自适应学习到低层特征图 通道中对地物
10、分类贡献较大的部分,然后对特征通道进行权重分配,最终提高模型分割精度,同时加快了对次要特征的筛选过程,提升模型运行速度。改进后的 模型结构如图所示。图 通道注意力机制犉 犻 犵 犆 犺 犪 狀 狀 犲 犾 犪 狋 狋 犲 狀 狋 犻 狅 狀犿 犲 犮 犺 犪 狀 犻 狊 犿图 改进 模型犉 犻 犵 犐 犿 狆 狉 狅 狏 犲 犱犇 犲 犲 狆 犔 犪 犫 犞 犿 狅 犱 犲 犾 实验区与数据处理南京位于长江中下游平原,属亚热带季风气候,夏季高温多雨,植被类型复杂。本研究选择南京市江宁、两居民区为实验区,区内植被覆盖度高,乔木、灌木、草本与建筑、道路混合分布(图)。居民区面积较大,用于模型训练和
11、验证;居民区面积图 研究区影像犉 犻 犵 犐 犿 犪 犵 犲 狊 狅 犳 狋 犺 犲 狊 狋 狌 犱 狔 犪 狉 犲 犪较小,用于模型迁移测试。本研究数据采集时间为 年月,选择晴朗天气,使用大疆 无人机搭载高分辨率可见光镜头,设定航高为 ,航向与旁向重叠率设置为 ,镜头方向为垂直向下。使用 软件拼接居民区航拍影像得到正射影像图,然后使用 工具包进行标签绘制并裁剪成 像元 像元尺寸的小样本,所绘标签类别包括乔木、灌木、草本、建筑及道路。由于深度学习需要一定数量的训练样本,为满足需要,采用数据增强手段(旋转变换、调整亮度等)对原样本进行扩充,以防止模型训练中出现过拟合问题。本研究采用旋转 、旋转
12、、调整亮度、调整对比度、调整锐度、调整色页第地 理 与 地 理 信 息 科 学第 卷度、左右翻转、上下翻转共种方式对原图和标签图进行数据增强。对占比较少的灌木进行侧重增强,以缓解样本不平衡问题,经过筛选去除存在变形、残影、过多空白等质量不佳样本,最终得到居民区、样本集的数量分别为 和 。实验与分析 实验环境设置本研究基于 平台搭建深度学习环境,采用 ,居民区样本集按照 的比例划分训练集、验证集,设为,设为 ,初始学习率设为 ,选择 优化器调整学习率从而加快模型收敛。数据预处理阶段已经缓解样本中乔木、灌木、草本比例不平衡问题,但植被与建筑、道路不同背景的组合使样本学习难度不一,导致类别预测不准,
13、为解决这一问题,选择 作为训练的损失函数(式(),该函数利用动态缩放因子动态调节样本之间的权重,使损失聚焦于难分样本,从而避免网络被大量的简单样本带偏,。当损失值趋于稳定不再下降时,即可停止训练。犔(狆狋)(狆狋)()式中:犔为训练损失值,狆狋为二分类概率函数,为调制因子。评价指标在遥感图像语义分割中,通常基于混淆矩阵使用像素准确度()、精确度()、召回率()、犉得分(犉 )、交并比()、平均交并比()作为定量评价精度的指标。(犙)是指所有预测正确的结果占总样本的百分比,(犘)是指被所有预测为正的样本中实际为正样本的概率,(犚)是指在实际为正的样本中被预测为正样本的概率,犉得分(犌犉)是 和
14、计算得到的综合评价指标,(犌 )是模型分割结果与真实标签图像交集与并集的比值,(犌 )是每类的 求和之后得到的平均值。具体计算方式如下:犙(狀狀)(狀狀狀狀)()犘狀(狀狀)()犚狀(狀狀)()犌犉 犘犚(犘犚)()犌 狀(狀狀狀)()犌 犽犌 ,犽犽()式中:犽为类别总数,狀为分类正确的正样本数量,狀为分类正确的负样本数量,狀为分类错误的负样本数量,狀为分类错误的正样本数量。此外,本研究使用模型参数量和训练用时两个指标评价模型效率,参数量越少,训练用时越短,则模型效率越高。实验对比与分析 经典模型对比为验证 模型的分类效果,选择经典机器学习方法支持向量机、深度学习全卷积神经网络 以及 网络作
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 无人机 射影 城市 居民区 植被 分类 DeepLabV3 模型 改进 实验
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。