基于DeeplabV3+网络的高分遥感影像分类

IF 0.9 4区物理与天体物理 Q4 ENGINEERING, ELECTRICAL & ELECTRONIC

激光与光电子学进展 Pub Date : 2023-01-01 DOI:10.3788/lop222553

黄冬青 Huang Dongqing, 徐伟铭 Xu Weiming, 许文迪 Xu Wendi, 何小英 He Xiaoying, 潘凯祥 Pan Kaixiang

{"title":"基于DeeplabV3+网络的高分遥感影像分类","authors":"黄冬青 Huang Dongqing, 徐伟铭 Xu Weiming, 许文迪 Xu Wendi, 何小英 He Xiaoying, 潘凯祥 Pan Kaixiang","doi":"10.3788/lop222553","DOIUrl":null,"url":null,"abstract":"针对卷积神经网络在遥感影像分类时遇到的模型参数量过大和分类精度低等问题，在DeeplabV3+网络的基础上，将编码器中的深层特征提取器替换为轻量化网络MobilenetV2和Xception_65，将解码器结构改为逐层特征融合实现解码区上采样的细化，引入通道注意力模块加强编解码器之间的信息关联，引入多尺度监督实现感受野自适应。构建4种具有不同编解码结构的网络，在CCF数据集上对网络进行验证测试。实验结果表明，编码器采用Xception_65，解码器同时引入逐层连接、通道注意力模块和多尺度监督的MS-XDeeplabV3+网络在减少模型参数量、加快模型训练速度的同时能更细化地物的边缘信息，提高对道路、水体等线状地物和草地的分类精度，像素总体精度和Kappa系数分别达0.9122和0.8646，在遥感影像分类中效果最佳。","PeriodicalId":51502,"journal":{"name":"激光与光电子学进展","volume":"97 1","pages":"0"},"PeriodicalIF":0.9000,"publicationDate":"2023-01-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"基于DeeplabV3+网络的高分遥感影像分类\",\"authors\":\"黄冬青 Huang Dongqing, 徐伟铭 Xu Weiming, 许文迪 Xu Wendi, 何小英 He Xiaoying, 潘凯祥 Pan Kaixiang\",\"doi\":\"10.3788/lop222553\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"针对卷积神经网络在遥感影像分类时遇到的模型参数量过大和分类精度低等问题，在DeeplabV3+网络的基础上，将编码器中的深层特征提取器替换为轻量化网络MobilenetV2和Xception_65，将解码器结构改为逐层特征融合实现解码区上采样的细化，引入通道注意力模块加强编解码器之间的信息关联，引入多尺度监督实现感受野自适应。构建4种具有不同编解码结构的网络，在CCF数据集上对网络进行验证测试。实验结果表明，编码器采用Xception_65，解码器同时引入逐层连接、通道注意力模块和多尺度监督的MS-XDeeplabV3+网络在减少模型参数量、加快模型训练速度的同时能更细化地物的边缘信息，提高对道路、水体等线状地物和草地的分类精度，像素总体精度和Kappa系数分别达0.9122和0.8646，在遥感影像分类中效果最佳。\",\"PeriodicalId\":51502,\"journal\":{\"name\":\"激光与光电子学进展\",\"volume\":\"97 1\",\"pages\":\"0\"},\"PeriodicalIF\":0.9000,\"publicationDate\":\"2023-01-01\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"激光与光电子学进展\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.3788/lop222553\",\"RegionNum\":4,\"RegionCategory\":\"物理与天体物理\",\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"Q4\",\"JCRName\":\"ENGINEERING, ELECTRICAL & ELECTRONIC\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"激光与光电子学进展","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.3788/lop222553","RegionNum":4,"RegionCategory":"物理与天体物理","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q4","JCRName":"ENGINEERING, ELECTRICAL & ELECTRONIC","Score":null,"Total":0}

引用次数: 0

摘要

针对卷积神经网络在遥感影像分类时遇到的模型参数量过大和分类精度低等问题，在DeeplabV3+网络的基础上，将编码器中的深层特征提取器替换为轻量化网络MobilenetV2和Xception_65，将解码器结构改为逐层特征融合实现解码区上采样的细化，引入通道注意力模块加强编解码器之间的信息关联，引入多尺度监督实现感受野自适应。构建4种具有不同编解码结构的网络，在CCF数据集上对网络进行验证测试。实验结果表明，编码器采用Xception_65，解码器同时引入逐层连接、通道注意力模块和多尺度监督的MS-XDeeplabV3+网络在减少模型参数量、加快模型训练速度的同时能更细化地物的边缘信息，提高对道路、水体等线状地物和草地的分类精度，像素总体精度和Kappa系数分别达0.9122和0.8646，在遥感影像分类中效果最佳。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

查看原文本刊更多论文

基于DeeplabV3+网络的高分遥感影像分类

求助全文

通过发布文献求助，成功后即可免费获取论文全文。去求助

来源期刊

激光与光电子学进展 Multiple-

CiteScore

1.60

自引率

50.00%

发文量

18006

期刊介绍： Laser & Optoelectronics Progress, the first laser and optoelectronics journal published in China. The main columns include general, lasers and laser optics, fiber optics and optical communications, optical design and fabrication, materials, image processing, imaging systems, optical devices, remote sensing and sensors, atmospheric optics and oceanic optics, diffraction and gratings, atomic and molecular physics, detectors, thin films, ultrafast optics, etc. The journal is included in ESCI, INSPEC, Scopus, CSCD, Chinese Core Journals, Chinese Science and Technology Core Journals, and T2 level of the Classified Catalogue of High Quality Science and Technology Journals in Optical Engineering and Optical Fields, and other databases.