基于深度学习的高分辨率遥感图像语义分割方法综述.pdf
《基于深度学习的高分辨率遥感图像语义分割方法综述.pdf》由会员分享,可在线阅读,更多相关《基于深度学习的高分辨率遥感图像语义分割方法综述.pdf(5页珍藏版)》请在咨信网上搜索。
1、基于深度学习的高分辨率遥感图像语义分割方法综述王 敏,王培东(广州城市职业学院 城市建设工程学院,广东 广州;广州地铁集团有限公司,广东 广州)摘 要:将常见的基于深度学习的高分辨率遥感图像语义分割方法分为基于卷积神经网络的遥感图像语义分割方法、基于注意力机制的遥感图像语义分割方法及基于 的遥感图像语义分割方法三类。介绍了各类方法的主要算法,总结和评述了各算法的优缺点,展望了高分辨率遥感图像语义分割方法的研究发展趋势。关键词:高分辨率遥感图像;语义分割;深度学习;卷积神经网络;注意力机制;中图分类号:文献标识码:文章编号:()收稿日期:基金项目:广东省普通高校青年创新人才项目“基于视觉 自注意
2、力机制和混合多尺度的城市遥感图像分割方法研究”(编号:);广州城市职业学院校级教科研项目“基于视觉 自注意力机制和混合多尺度的城市遥感图像分割方法研究”(编号:)。作者简介:王 敏,女,广州城市职业学院城市建设工程学院助理实验师。随着遥感技术的快速发展,获取高分辨率遥感图像的难度大大降低。如何充分利用这些海量的遥感数据,从中提取更多有用的信息成为学者们关注和研究的问题。这些有用数据在城乡发展的规划及其建设、道路交通情况的分析与预测、军事目标的识别与态势检测等等领域都能起到至关重要的作用。对高分辨率遥感图像进行处理的一个重要任务就是遥感图像的语义分割。传统的分割方法主要利用遥感图像的浅层信息,包
3、括图像的纹理、颜色等等。但是,高分辨率遥感图像中所包含的图像细节越来越丰富,背景也更加复杂多变,仅仅依靠传统的图像浅层信息,已经不再能够满足遥感图像的应用需求。因此,为了提高高分辨率遥感图像的分割效率和精度,各种基于遥感图像深层特征的分割方法不断涌现,基于深度学习的高分辨率遥感图像语义分割方法脱颖而出。已经有许多学者从各个角度总结了诸多良好的综述性成果,罗列了高分辨率遥感图像分割的发展框架,为后续的研究提供了前进的思路和权威的参考价值。例如,闵蕾等人从获取遥感图像特征的层次上进行分类,分别从浅层、中层和深层三个层次上对常见的遥感图像分割方法的优缺点进行了阐述和总结,并对未来遥感图像分割方法的发
4、展前景进行了展望。邝辉宇等人整理了图像语义分割的发展历史,重点介绍了基于深度学习的图像语义分割理论与方法。但目前的综述文献对基于深度学习的图像语义分割方法大多只停留在全卷积神经网络图像语义分割时期,对之后在计算机视觉(,)领域表现突出的 模型未有涉及。在分析总结相关文献的基础上,本文将基于深度学习的图像语义分割方法分为三大类,分别从基于卷积神经网络(,)的遥感图像语义分割方法、基于注意力机制的遥感图像语义分割方法及基于 的遥感图像分割方法入手,阐述和总结相关方法的特点和局限性,并对其未来趋势进行了展望。第 卷第 期 年 月广 州 城 市 职 业 学 院 学 报Journal of Guangz
5、hou City Polytechnic 一、基于卷积神经网络的遥感图像语义分割方法与主要依靠图像的浅层信息(颜色、纹理、形状等)提取特征的传统方法相比,基于卷积神经网络的遥感图像语义分割方法可以挖掘数据更深层的抽象特征,但使用卷积操作提取遥感图像的深层特征会大幅度增加计算量,因此会受到计算条件的制约。但是近年来,计算机图形处理单元(,)的计算能力有目共睹,制约卷积神经网络提取图像深层特征的掣肘不复存在,其已经成为图像处理领域的热门研究方向。国内外学者对此进行深入研究提出的全卷积神经网络、等优秀算法模型在挖掘海量数据潜在、有用的特征方面独具优势。基于卷积神经网络的模型在遥感图像分割领域同样表现
6、出了很高的应用价值,徐知宇等利用国产高分 号()数据提取图像中的城市绿信息,在 网络的基础上进行改进,添加了批标准化和 层,取得了高于 和 网络的分类精度。刘钊等利用 网络提取图像中的城市建成区信息,取得了优于 和 的分类精度。何红术等利用一种改进的 神经网络对高分辨率遥感影像进行分割,提取影像中的水体信息,网络在分类后处理中引入了条件随机场,能够较好地进一步细化分割的结果。然而,在高分辨率遥感图像分割中,分割方法需要学习到全局信息、远距离空间上下文信息以及图像目标边缘细节信息,基于卷积神经网络的分割方法虽能提取高精度的语义信息,对特征的提取精度较高,在小数据集上表现良好,但受卷积核大小的限制
7、,感受野较小,难以充分学习全局信息、远距离空间上下文信息。二、基于注意力机制的遥感图像语义分割方法 注意力机制最早出现在计算机视觉领域中。年,等人在循环神经网络的基础上引入注意力机制进行图像分类任务。与卷积神经网络在高分辨率图像上过大的计算量相比,该方法的出现在保证模型表现力的同时减少了计算量。将注意力机制和卷积神经网络结合起来使用,是其在计算机视觉中运用的主要形式,这样能更好发挥出模型的表现力。注意力机制可以对特征的不同维度进行相关性建模。特征维度主要包含三个方面,分别是通道维度、空间维度以及通道空间维度。基于注意力机制的方法在构建全局上下文语义信息方面具有很大的优势。近年来,注意力机制也已
- 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 深度 学习 高分辨率 遥感 图像 语义 分割 方法 综述
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。