改进DeepLabV3+网络的遥感影像农作物分割方法

针对于当前遥感影像农作物提取存在的识别精度较低、边缘识别效果较差、提取速度慢等问题,提出了一种改进DeepLabV3+网络的遥感影像农作物分割方法。将特征提取网络改为更轻量级的MobileNetV2网络,空洞空间金字塔池化模块中的普通卷积改为深度可分离卷积,大幅减少模型计算量,提高模型计算速度;在特征提取模块以及空洞空间金字塔池化模块加入双注意力机制,进一步优化模型边缘识别效果,提升模型分割精度。此外针对农作物数据集类别不平衡问题,引入加权损失函数,给予玉米、薏米与背景类不同的权重,提高模型对农作物区域分割精度。以2019年某地区的无人机遥感影像为研究对象,对玉米、薏米两种农作物进行分割。实验结果表明,改进DeepLabV3+算法像素准确率可达到93.9%,平均召回率可达到90.7%,平均交并比可达到83.3%,优于传统DeepLabV3+、Unet、Segnet等常用于农作物提取的分割方法,对农作物具有更好的分割效果。     

利用U型网络的遥感影像建筑物规则化提取

针对全卷积神经网络双线性插值及转置卷积算法在高分遥感影像建筑物提取任务中无法准确还原分割对象轮廓的问题，基于Unet网络建立改进的ResNeXt＿SPP＿Unet全卷积神经网络，并提出改进Douglas Peucker图像后处理算法完成建筑物提取规则化。ResNeXt＿SPP＿Unet网络重点优化两个方面，一是将Unet中的标准卷积替换为ResNeXt Block，在减少模型运算数量的同时提高网络的分割精度；二是在Encoder末尾阶段引入SPP金字塔池化层，以多尺度特征融合的方式提升对象边缘的分割准确度。经实验对比分析，结果表明在高分遥感影像建筑物提取任务中，改进ResNeXt＿SPP＿Unet优于Unet等经典分割网络及ResUnet++等前沿分割网络，平均交并比达到了0.853 8，平均像素准确率达到了0.935 9。最后，将改进的Douglas Peucker算法衔接于ResNeXt＿SPP＿Unet模型之后，通过增加对建筑物轮廓边缘的旋转及连接等处理操作改进该算法，进一步拟合建筑物真实轮廓，对建筑物的边界进行规则化校正，效果良好。