迁移学习下高分快视数据道路快速提取

目的 传统的道路提取方法自动化程度不高，无法满足快速获取道路信息的需求。使用深度学习的道路提取方法多关注精度的提升，网络冗余度较高。而迁移学习通过将知识从源领域迁移到目标领域，可以快速完成目标学习任务。因此，本文利用高分辨率卫星快视数据快速获取的特性，构建了一种基于迁移学习的道路快速提取深度神经网络。方法 采用基于预训练网络的迁移学习方法，可以将本文整个道路提取过程分为两个阶段：首先在开源大型数据库ImageNet上训练源网络，保存此阶段最优模型；第2阶段迁移预训练保存的模型至目标网络，利用预训练保存的权重参数指导目标网络继续训练，此时快视数据作为输入，只做目标任务的定向微调，从而加速网络训练。总体来说，前期预训练是一个抽取通用特征参数的过程，目标训练是针对道路提取任务特化的过程。结果 本文构建的基于迁移学习的快速道路提取网络，迁移预训练模型与不迁移相比验证精度提升6.0%，单幅尺寸为256×256像素的数据测试时间减少49.4%。快视数据测试集平均精度可达88.3%。截取一轨中7 304×6 980像素位于天津滨海新区的快视数据，可在54 s内完成道路提取。与其他迁移模型对比，本文方法在快速预测道路的同时且能达到较高的准确率。结论 实验结果表明，本文针对高分卫星快视数据，提出的利用预训练模型初始化网络能有效利用权重参数，使模型趋于轻量化，使得精度提升的同时也加快了提取速度，能够实现道路信息快速精准获取。

Rapid road extraction from quick view imagery of high-resolution satellites with transfer learning