基于改进DeepLabv3+的遥感影像道路提取算法

TP319; 道路提取可以帮助人们更好地理解城市环境,是城市交通和城市规划等方面的重要部分,随着深度学习与计算机视觉的发展,利用基于深度学习的语义分割算法从遥感影像中提取道路的技术趋于成熟.针对现有的深度学习道路提取算法存在的提取速度慢和容易受背景环境因素干扰而产生漏分割、不连续等问题,提出了一种基于ECANet注意力机制和级联空洞空间金字塔池化模块的轻量化算法CE-DeepLabv3+.首先,将主干特征提取网络更换为轻量级的MobileNetv2,减少参数量,提高模型的执行速度;其次,通过增加空洞空间金字塔池化模块的卷积层进一步扩大感受野,再级联不同特征层来增强语义信息的复用性,从而加强对细...

Full description

Saved in:
Bibliographic Details
Published in计算机科学 Vol. 51; no. 8; pp. 168 - 175
Main Authors 王谦, 何朗, 王展青, 黄坤
Format Journal Article
LanguageChinese
Published 武汉理工大学理学院 武汉 430070 2024
Subjects
注意力机制
Attention mechanism
语义分割
遥感影像
级联空洞空间金字塔池化
Semantic segmentation
Cascade atrous spatial pyramid pooling
Road extraction
DeepLabv3
Remote sensing images
道路提取
Online AccessGet full text
ISSN1002-137X
DOI10.11896/jsjkx.230600118

Cover

More Information
Summary:TP319; 道路提取可以帮助人们更好地理解城市环境,是城市交通和城市规划等方面的重要部分,随着深度学习与计算机视觉的发展,利用基于深度学习的语义分割算法从遥感影像中提取道路的技术趋于成熟.针对现有的深度学习道路提取算法存在的提取速度慢和容易受背景环境因素干扰而产生漏分割、不连续等问题,提出了一种基于ECANet注意力机制和级联空洞空间金字塔池化模块的轻量化算法CE-DeepLabv3+.首先,将主干特征提取网络更换为轻量级的MobileNetv2,减少参数量,提高模型的执行速度;其次,通过增加空洞空间金字塔池化模块的卷积层进一步扩大感受野,再级联不同特征层来增强语义信息的复用性,从而加强对细节特征的提取能力;再次,加入ECANet注意力机制,抑制背景环境中的干扰因素,聚焦道路信息;最后,采用改进的损失函数进行训练,消除了道路与背景样本不均衡对模型性能产生的影响.实验结果表明,改进算法的性能优良,与原始DeepLabv3+算法相比,在分割效率、分割精度上有较大的提升.
ISSN:1002-137X
DOI:10.11896/jsjkx.230600118