《表4 自建数据集模型效果对比》
Ronneberger等人(2015)提出了语义分割网络U-Net,是FCN的改进和延伸,融合了编码—解码对称结构和跳跃结构的特点,模型结构更加巧妙和优雅,编码器部分使用池化层逐渐减少特征分辨率,解码器部分使用上采样逐渐恢复特征图尺寸。编码器和解码器之间通常存在快捷连接,即跳跃连接,融合不同网络层次的特征,能帮助解码器更好地恢复目标的细节,U-Net在多个比赛中获得了良好的成绩,证明了它的有效性。Wang等人(2018)提出的Hdcduc模型将ResNet作为特征提取网络,并将ResNet网络中的部分卷积替换为空洞卷积,空洞卷积的采样频率设计为锯齿状,避免空洞卷积带来的网格效应,被称为hybrid dilated convolution。然后将提取到的特征输入到DUC结构,DUC的参数可学习,有利于恢复细节信息,此模型在多个自然图像语义分割数据集获得极高的分割精度,证明了此模型的有效性。FCN-8s模型、U-Net模型和Hdc-duc模型的输入数据、损失函数、训练以及后处理方法皆和本文模型一致,其中没有注明使用原始数据的模型,皆使用多源数据进行训练,即图像有7个波段:红光、绿光、蓝光、近红外、NDVI、EVI、NDWI。得到的结果如表4所示。
图表编号 | XD00141905800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.01.16 |
作者 | 姚建华、吴加敏、杨勇、施祖贤 |
绘制单位 | 宁夏回族自治区遥感测绘勘查院、宁夏回族自治区遥感测绘勘查院、宁夏回族自治区遥感测绘勘查院、北京科技大学计算机与通信工程学院、材料领域知识工程北京市重点实验室 |
更多格式 | 高清、无水印(增值服务) |