《表1 参数个数及所占内存》

  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

《基于全卷积神经网络的林木图像分割》

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

反卷积结构包含五个反卷积层，每层使用的过滤器大小依次为3×3、4×4、4×4、7×7和7×7；输出通道数依次为101、512、256、128、101。第五反卷积层通道数之所以为101，是因为二分类的标签像素值只有0和1，训练时出现梯度爆炸，无法继续，因此实验中将数据标签改为0和100，结果证实这样是可行的，且只在最后一个卷积层、第一个反卷积层增加参数量，对整个网络的参数计算影响可以忽略，参数量如表1所示。图2可视化了部分卷积层的特征图，以图2（a）为例，图2（b）到图2（f）分别提取了64、128、256、512和512个特征，从这些特征图中可以看到网络从图像上学习到了树的特征，能够提取出轮廓、粗细程度和长度信息，也能分离出林木与空地的颜色，再经过一系列卷积，学习到的特征越来越具体抽象，这些抽象特征对其中林木的大小、位置以及方向信息的敏感度降低。因此采用跳跃连接将浅层网络的池化层输出与反卷积层的输出相融合，这样能够最大程度上保留重要的细节信息。对于每个反卷积层，其输入来自前一个上池化层输出（除了第一层），其输出即融合后的结果。设置每一个反卷积层的输出大小与其融合的池化层输出相同，并在最后一个反卷积之后将其四倍扩充为原图大小，然后利用ReLU激励函数做非线性映射（除了最后一层）。图3可视化了每个反卷积层的输出，最初网络恢复了较精细的局部信息，通过反卷积计算之后，逐渐区分出林木与空地。对于第五个反卷积层，由于原始图像的信息只存在第0通道和第100通道，因此在网络中记录这两个通道的信息作为反卷积结构的输出，如图3（f）。对于网络最终的预测结果，还需要计算这两个通道的最大值。