《表4 相同数据集上对比相关网络测试结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的高分辨率遥感图像建筑物识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

对比其他深度学习算法模型，将相同的数据集应用于SegNet、DeepLabv3、U-Net和改进的AA-SegNet网络进行实验。SegNet网络的解码器是使用上采样与卷积的过程，过度使用低级特征进行目标提取，会导致分割影像结果出现过度分割、小目标识别差现象。U＿Net网络采用通道维度拼接融合方式，来增加特征的描述信息，存在过度使用低级特征的问题。DeepLabv3网络编码器采用空洞卷积生成任意维度的特征，并采用空间金字塔池化策略，在级联解码器进而恢复边界细节信息，也过度融合了低级特征。由于SegNet、DeepLabv3、U-Net缺乏注意力机制融合模块、增强型空间金字塔池化模块，一些低级特征被过度使用，导致识别图像结果建筑物过度分割并且小目标识别效果差，分割结果建筑物出现碎片化，参见图10(c）、（d）、（e）红框标示部分。在图10(c）中的红框标示中，AA-SegNet网络结果明显改善，说明空间注意力机制可以改善性能，降低碎片化，A-ASPP精准提取小目标。为定量比较所提出的AA-SegNet网络，在表4（测试集，包括4张尺寸为5 000×5 000图像）中分别给出了OA、F1得分、训练时间TT和识别时间RT，可以看出，AA-SegNet网络OA得分明显优于SegNet、DeepLabv3和U-net网络，其网络训练时间和识别时间都优于DeepLabv3和U-net网络（TT:15<21<25<55，RT:6<8<12<50），具有比较高的效率。总的来说，尽管存在很少一部分错误的建筑分类，见图11(b）和（d）红色框标示部分，但总体来说，AA-SegNet网络从高分辨率遥感影像中能够实现更好的建筑用地提取效果。