语义分割算法在区域遥感中的应用研究
基于无监督域适应的遥感图像语义分割
基于无监督域适应的遥感图像语义分割基于无监督域适应的遥感图像语义分割摘要：遥感图像语义分割在许多应用中发挥关键作用，然而，由于遥感图像数据的特殊性质和缺乏标签数据的限制，实现准确的语义分割一直是一个挑战。
本文基于无监督域适应的方法，开展了遥感图像语义分割研究。
通过利用源领域的标签图像和目标领域的无标签图像，结合深度学习模型，提出了一种有效的无监督域适应算法，实现了遥感图像的准确语义分割。
实验证明，该方法在遥感图像语义分割中具有较好的性能和鲁棒性。
一、引言遥感图像语义分割是将遥感图像中的每个像素赋予相应的语义标签，以实现对遥感图像复杂场景的准确理解和分析。
在城市规划、环境监测、农业管理等领域，遥感图像语义分割广泛应用于地物分类、土地利用等方面。
然而，对于遥感图像的语义分割任务，面临着数据特殊性和数据标签稀缺的挑战。
例如，遥感图像具有较高的空间分辨率和较大的尺度范围，同时受到云层、阴影等干扰因素的影响。
此外，由于遥感图像的获取成本较高，标签数据往往难以获取，相比之下，大量的无标签数据更容易获得。
针对以上问题，本文研究了基于无监督域适应的遥感图像语义分割方法。
二、无监督域适应算法无监督域适应是指在没有源领域（标签数据丰富）和目标领域（标签数据稀缺）之间直接进行数据迁移和特征学习的方法。
本文提出的无监督域适应算法主要分为以下步骤：1.数据预处理：对源领域和目标领域的遥感图像进行预处理，包括去除噪声、归一化等操作，以保证数据的统一性和可比性。
2.特征提取：利用深度卷积神经网络（DCNN）对源领域的标签图像进行训练，提取图像的高级语义特征表示。
3.域自适应训练：利用目标领域的无标签图像进行域自适应训练，通过最小化源领域与目标领域之间的分布差异，实现对目标领域特征的自适应。
4.特征融合和分类：将源领域和目标领域的特征进行融合，并利用分类器对图像进行语义分割，得到每个像素的语义标签。
三、实验与结果本文在遥感图像语义分割数据集上进行了实验验证，以评估所提出的无监督域适应算法的性能。
特定类的图像语义分割的开题报告
特定类的图像语义分割的开题报告一、选题背景随着深度学习理论和算法的不断完善，图像语义分割技术逐渐普及，并在许多领域得到广泛应用，如医学影像分析、自动驾驶、无人机监测、农业和城市规划等。
其中，对于特定类的图像语义分割技术的需求不断增加，如对于遥感图像中的建筑物、道路和植被的分割，医学影像中的不同组织、器官的分割，以及自动驾驶中的道路、行人和车辆的分割等。
因此，以特定类的图像语义分割技术为研究对象，探究该领域的相关理论和算法，对于推动智能分析技术的发展，提升相关领域的应用效果，具有重要意义。
二、研究内容1. 特定类的图像语义分割技术概述：介绍特定类的图像语义分割技术的研究背景、意义和发展现状，对于该领域的基本概念、分类和研究方法进行梳理和分析。
2. 特定类的图像语义分割算法研究：从深度学习的角度，探究特定类的图像语义分割技术的关键技术和算法，如卷积神经网络、全卷积网络、U-Net、FCN等，并对于各种技术和算法进行比较和评估。
3. 特定类的图像语义分割应用案例研究：以遥感图像和医学影像为例，探讨如何应用特定类的图像语义分割技术，实现不同场景下的图像语义分割任务，如遥感图像中的道路、建筑物和植被的分割，医学影像中的不同器官、组织的分割等。
三、研究目标本课题旨在探究特定类的图像语义分割技术及其应用，主要研究目标如下：1. 系统地分析和探究特定类的图像语义分割技术的基本概念、分类和研究方法，总结现有的研究成果和发展现状，为后续的研究奠定基础。
2. 从深度学习的角度，探究特定类的图像语义分割技术的关键技术和算法，并对于各种技术和算法进行比较和评估。
3. 以遥感图像和医学影像为例，探讨如何应用特定类的图像语义分割技术，实现不同场景下的图像语义分割任务，为实际应用提供可行性方案和理论支撑。
四、研究方法1. 文献调研法：通过查阅相关文献，了解特定类的图像语义分割技术的研究现状和发展趋势，梳理相关领域技术的发展脉络和研究重点。
基于GLNet和HRNet的高分辨率遥感影像语义分割
基于GLNet和HRNet的高分辨率遥感影像语义分割赵紫旋1,2，吴谨1,2，朱磊1,3（1. 武汉科技大学信息科学与工程学院，湖北武汉 430081；2. 冶金自动化与检测技术教育部工程中心，湖北武汉 430000；3. 中冶南方连铸技术工程有限责任公司，湖北武汉 430223）摘要：在GLNet（Global-Local Network）中，全局分支采用ResNet（Residual Network）作为主干网络，其侧边输出的特征图分辨率较低，而且表征能力不足，局部分支融合全局分支中未充分学习的特征图，造成分割准确率欠佳。
针对上述问题，提出了一种基于GLNet和HRNet（High-Resolution Network）的改进网络用于高分辨率遥感影像语义分割。
首先，利用HRNet取代全局分支中原有的ResNet主干，获取表征能力更强，分辨率更高的特征图。
然后，采用多级损失函数对网络进行优化，使输出结果与人工标记更为相似。
最后，独立训练局部分支，以消除全局分支中特征图所带来的混淆。
在高分辨率遥感影像数据集上，对所提出的改进网络进行训练和测试，实验结果表明，改进网络在全局分支和局部分支上的平均绝对误差（Mean Absolute Error，MAE）分别为0.0630和0.0479，在分割准确率和平均绝对误差方面均优于GLNet。
关键词：高分辨率遥感影像；语义分割；全局分支；局部分支；独立训练中图分类号：TP751.1 文献标识码：A 文章编号：1001-8891(2021)05-0437-06High-resolution Remote Sensing Image Semantic SegmentationBased on GLNet and HRNetZHAO Zixuan1,2，WU Jin1,2，ZHU Lei1,3(1. School of Information and Engineering, Wuhan University of Science and Technology, Wuhan 430081, China;2. Engineering Research Center of Metallurgical Automation and Measurement Technology, Ministry of Education, Wuhan 430000, China;3. WISDRI CCTEC Engineering Co. Ltd, Wuhan 430223, China)Abstract: The backbone of a convolutional neural network global branch, a residual network (ResNet), obtains low-resolution feature maps at side outputs that lack feature representation. The local branch aggregates the feature maps in the global branch, which are not fully learned, resulting in a negative impact on image segmentation. To solve these problems in GLNet (Global-Local Network), a new semantic segmentation network based on GLNet and High-Resolution Network (HRNet) is proposed. First, we replaced the original backbone of the global branch with HRNet to obtain high-level feature maps with stronger representation. Second, the loss calculation method was modified using a multi-loss function, causing the outputs of the global branch to become more similar to the ground truth. Finally, the local branch was trained independently to eliminate the confusion produced by the global branch. The improved network was trained and tested on the remote sensing image dataset. The results show that the mean absolute errors of the global and local branches are 0.0630 and 0.0479, respectively, and the improved network outperforms GLNet in terms of segmentation accuracy and mean absolute errors.Key words: high-resolution remote sensing image, semantic segmentation, global branch, local branch, trained independently0 引言图像的语义分割将属于相同目标类别的图像子区域聚合起来，是高分辨率遥感影像信息提取和场景理解的基础，也是实现从数据到信息对象化提取的关键步骤，具有重要的意义。
光学sar语义分割
光学sar语义分割摘要：1.光学SAR 语义分割的定义与背景2.光学SAR 语义分割的方法3.光学SAR 语义分割的应用领域4.我国在光学SAR 语义分割方面的发展正文：【1.光学SAR 语义分割的定义与背景】光学SAR（Synthetic Aperture Radar）语义分割是一种利用合成孔径雷达（SAR）影像对地表目标进行分类的技术。
SAR 语义分割是通过对SAR 影像进行处理和分析，从而实现对地表目标的准确识别和分类。
这种方法在遥感领域具有重要意义，因为它可以为土地利用、城市规划和环境保护等领域提供关键信息。
【2.光学SAR 语义分割的方法】光学SAR 语义分割主要包括以下几个步骤：（1）预处理：对SAR 影像进行去噪、增强、几何校正等预处理操作，以提高影像质量。
（2）特征提取：从预处理后的SAR 影像中提取具有区分性的特征，如纹理、结构和形状等。
（3）模型训练：根据提取到的特征建立分类模型，如支持向量机（SVM）、人工神经网络（ANN）和深度学习模型等。
（4）语义分割：利用训练好的模型对SAR 影像进行分类，得到地表目标的语义信息。
【3.光学SAR 语义分割的应用领域】光学SAR 语义分割在多个领域具有广泛的应用，包括：（1）土地利用：通过SAR 语义分割，可以获取土地的利用类型和分布情况，为土地资源管理和规划提供依据。
（2）城市规划：SAR 语义分割可以为城市规划提供详细的地表信息，如建筑物、道路和水体等，从而辅助城市规划工作。
（3）环境保护：通过对生态环境的SAR 语义分割，可以监测和评估生态环境的状况，为环境保护提供支持。
（4）灾害评估：在灾害发生后，SAR 语义分割可以快速获取受灾地区的地表信息，为灾害评估和救援提供参考。
【4.我国在光学SAR 语义分割方面的发展】我国在光学SAR 语义分割方面取得了显著的成果。
一方面，我国遥感技术整体水平不断提高，为SAR 语义分割提供了技术支持。
遥感图像分类与分割算法研究
遥感图像分类与分割算法研究随着遥感技术的不断发展和普及，遥感图像的应用也越来越广泛。
而对遥感图像进行分类和分割是遥感应用中的重要研究方向。
本文将从算法角度入手，介绍遥感图像分类与分割算法的研究现状和未来方向。
一、遥感图像分类算法遥感图像分类是将图像中的像素或区域划分为不同的类别，用来获取地物信息的关键技术。
传统的分类算法如最小距离分类、最大似然分类和决策树分类等，依赖于高质量的样本数据和特征提取方法。
然而，对于大面积、高维度的遥感图像，传统算法的分类效果受到一定限制。
近年来，深度学习的兴起为遥感图像分类带来更好的解决方案。
深度学习通过多层非线性变换实现高级别、抽象的特征表示，可以有效地降低了特征维度。
深度学习的代表性算法，如卷积神经网络（CNN）、循环神经网络（RNN）和深度置信网络（DBN）等，已经在遥感图像分类中得到广泛应用，成为了新的研究方向。
二、遥感图像分割算法遥感图像分割是将图像中的像素或区域划分为不同的集合，从而实现对地物的精确提取。
传统的分割算法如基于灰度、基于边缘、基于区域和基于模型等，都有着各自的特点和适用情况。
然而，对于遥感图像这种大面积、高分辨率、多波段的数据，传统算法受到了很大的挑战。
相比之下，基于深度学习的分割算法具有更好的效果和鲁棒性。
近期出现的网络结构，如全卷积网络（FCN）、带空洞卷积的全卷积网络（DeepLab）和U-Net 等，已经成为遥感图像分割的主流算法。
这些算法采用卷积神经网络和反卷积操作进行像素级别的分类，可以实现较高的分割精度和鲁棒性。
三、未来展望遥感图像分类与分割算法都面临着一些挑战。
在分类方面，深度学习算法对数据量和质量的要求较高，且模型训练和推理速度较慢，需要更加有效的方法来提高效率。
在分割方面，多尺度信息的融合、分类不平衡问题和超分辨率等问题都需要进一步研究。
未来，可以尝试将遥感图像分类和分割进行联合研究，实现更加全面、深入地地物信息提取。
另外，结合时空数据和多源数据，进一步增强数据的丰富性和准确性，也是未来研究的重要方向。
计算机视觉技术在遥感领域中的实际应用方法
计算机视觉技术在遥感领域中的实际应用方法计算机视觉技术是指借助计算机处理和分析图像数据的一门技术。
它结合了图像处理、模式识别、机器学习等多个领域的技术，广泛应用于图像分析、检测、识别等领域。
在遥感领域中，计算机视觉技术发挥着重要作用，可以帮助实现遥感图像的自动分析和解读。
首先，计算机视觉技术在遥感领域中的一个重要应用是目标检测和识别。
遥感图像中包含了丰富的地物信息，通过计算机视觉技术可以自动识别并提取关键的地物目标，如建筑物、道路、农田等。
这对于城市规划、土地利用等领域具有重要意义。
计算机视觉技术可以通过图像分割、特征提取和分类等方法，实现对目标的自动定位、检测和识别。
其次，计算机视觉技术在遥感图像解译中也发挥着重要作用。
遥感图像包含了丰富的地物信息，但如何准确解译和理解这些信息却是一个复杂的问题。
利用计算机视觉技术可以将遥感图像进行语义分割，即将图像中的每个像素分类标注，从而实现对地物的准确解译。
除了语义分割，计算机视觉技术还可以通过目标检测、特征提取和模式识别等方法，实现对遥感图像的准确解译和理解。
另外，计算机视觉技术还在遥感图像的变化检测和监测中具有广泛应用。
遥感图像可以提供不同时间点的地理信息，通过计算机视觉技术可以比较不同时间点的遥感图像，自动检测出地物的变化情况。
这对于城市更新、环境监测等领域具有重要意义。
计算机视觉技术可以通过图像配准、差异检测和变化分析等方法，实现对遥感图像变化的自动监测和分析。
此外，计算机视觉技术还可以在遥感图像重建和增强中发挥作用。
遥感图像存在一定的噪声和模糊度，影响了图像的质量和可用性。
利用计算机视觉技术可以对遥感图像进行去噪和增强处理，提高图像的清晰度和可视化效果。
计算机视觉技术可以通过滤波、增强和去除伪影等方法，实现对遥感图像的重建和增强。
综上所述，计算机视觉技术在遥感领域中有着重要的实际应用方法。
它可以帮助实现遥感图像的目标检测和识别、解译和理解、变化监测和分析、重建和增强等功能。
基于深度语义分割的多源遥感图像海面溢油监测
第２８卷㊀第５期２０２０年５月㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀光学精密工程㊀O p t i c s a n dP r e c i s i o nE n g i n e e r i n g㊀㊀㊀㊀㊀㊀V o l ．２８㊀N o ．５㊀㊀M a y ２０２０㊀㊀收稿日期:２０１９Ｇ１１Ｇ０７;修订日期:２０１９Ｇ１２Ｇ０２．㊀㊀基金项目:国家自然科学基金资助项目(N o ．６１９０１０８１);中央高校基本科研业务费专项资助项目(N o ．３１３２０２０１９９)文章编号㊀１００４Ｇ９２４X (２０２０)０５Ｇ１１６５Ｇ１２基于深度语义分割的多源遥感图像海面溢油监测陈彦彤１,李雨阳１,吕石立２,王俊生１∗(１．大连海事大学信息科学技术学院,辽宁大连１１６０２６;２．交通运输部搜救中心,北京１００７３６)摘要:针对遥感图像海面溢油区域通常受到斑噪声以及强度不均等因素的影响,从而导致溢油区域监测效果较差的问题,本文引入了深度语义分割的方法,将深度卷积神经网络与全连接条件随机场相结合,形成端对端连接.以R e s n e t 结构为基础,首先通过深度卷积神经网络对多源遥感图像粗分割并作为输入,然后经过改进的全连接条件随机场,利用高斯成对势和平均场近似定理,建立条件随机场形成递归神经网络作为输出.通过多源遥感图像对海面溢油区域进行监测,并利用可见光图像估计溢油区域面积.实验在所建立的多源遥感图像数据集上与其它先进模型进行对比,结果表明本文方法提高了溢油区域的分割精度以及精细细节程度,平均交并比为８２．１％,监测效果具有明显地改善.关㊀键㊀词:海面溢油;卷积神经网络;语义分割;条件随机场;遥感图像中图分类号:T P ７５３㊀㊀文献标识码:A㊀㊀d o i :１０．３７８８/O P E ．２０２０２８０５．１１６５R e s e a r c ho no i l s p i l lm o n i t o r i n g ofm u l t i Ｇs o u r c e r e m o t e s e n s i n g i m a g e b a s e d o nd e e p s e m a n t i c s e gm e n t a t i o n C H E N Y a n Ｇt o n g １,L IY u Ｇy a n g １,L ÜS h i Ｇl i ２,WA N GJ u n Ｇs h e n g１∗(１．D e p a r t m e n t o f I n f o r m a t i o nS c i e n c e a n dT e c h n o l o g y ,D a l i a nM a r i t i m eU n i v e r s i t y ,D a l i a n １１６０２６,C h i n a ;２．S e a r c h a n dR e s c u eC e n t e r o f t h eM i n i s t r y o f T r a n s p o r t ,B e i j i n g １００７３６,C h i n a )∗C o r r e s p o n d i n g a u t h o r ,E Ｇm a i l :w a n g js h ＠d l m u ．e d u ．c n A b s t r a c t :I nr e m o t es e n s i n g i m a g e s ,o i ls p i l la r e a s a r e u s u a l l y a f f e c t e d b y s po tn o i s ea n d u n e v e n i n t e n s i t y ,w h i c h l e a d s t o p o o r s e g m e n t a t i o n ．Ad e e p s e m a n t i c s e g m e n t a t i o nm e t h o dw a s i n t r o d u c e d t o c o m b i n e ad e e p co n v o l u t i o nn e u r a l n e t w o r kw i t ha f u l l c o n n e c t i o n c o n d i t i o n a l r a n d o mf i e l d t o f o r ma n e n d Ｇt o Ｇe n d c o n n e c t i o n ．B a s e do n R e s n e t ,f i r s t ,t h e m u l t i Ｇs o u r c er e m o t es e n s i n g i m a g e w a sr o u g h l y s e g m e n t e da s i n p u tb y t h ed e e p c o n v o l u t i o n a ln e u r a ln e t w o r k ．T h e n ,u s i n g G a u s s i a n p a i r w i s ea n d m e a n f i e l d a p p r o x i m a t i o n ,t h e c o n d i t i o n a l r a n d o mf i e l dw a s e s t a b l i s h e da s t h eo u t pu t o f t h e r e c u r r e n t n e u r a l n e t w o r k ．T h e o i l s p i l l a r e ao n t h e s e a s u r f a c ew a sm o n i t o r e db y a m u l t i Ｇs o u r c e r e m o t e s e n s i n gi m a g e a n d e s t i m a t e db y o p t i c a l i m a g e s．E x p e r i m e n t a l r e s u l t s s h o wt h a t t h e p r o p o s e dm e t h o d i m p r o v e s c l a s s i f i c a t i o na c c u r a c y a n dc a p t u r e s f i n e rd e t a i l so f o i l s p i l l a r ea s c o m p a r e dw i t ho t h e rm o d e l su s i n g t h ed a t a s e te s t a b l i s h e db y t h e m u l t iＧs o u r c er e m o t es e n s i n g i m a g e．T h e m e a ni n t e r s e c t i o no v e rt h e u n i o n i s８２．１％,a n d t h em o n i t o r i n g e f f e c t i s s i g n i f i c a n t l y i m p r o v e d．K e y w o r d s:s p i l l e do i lo nt h es e a;C o n v o l u t i o n N e u r a l N e t w o r k(C N N);s e m a n t i cs e g m e n t a t i o n;c o nd i t i o n a l r a n d o mf ie l d;r e m o t e s e n s i n g i m a g e１㊀引㊀言㊀㊀近年来,随着世界各国对原油需求量不断增加,海洋石油运输业迅速发展,但国内外海面溢油污染事故却频繁发生.例如２０１０年,大连新港一艘外籍油轮在卸油时,导致陆地输油管线发生爆炸,事故造成５０平方公里的海域被污染.２０１８年,桑吉轮与货船在长江口发生碰撞[１],事故造成大量石油泄漏溢入东海,对海洋生态环境造成巨大危害.当海面溢油事故发生后,能否准确地检测溢油区域位置和面积信息,对后续采取防治措施至关重要.因此,开展海面溢油监测对于海洋环境保护具有重要意义.传统的海面溢油监测手段为航拍或实地调查,但是这种方法需要投入大量的人力物力,导致成本高㊁操作难度大.而遥感卫星[２]可以不受国界领空的限制,长期且有效地监测海面溢油的情况,是目前海面溢油监测的最佳手段.目前基于遥感卫星的海面溢油监测通常使用星载合成孔径雷达[３](S y n t h e t i cA p e r t u r eR a d a r,S A R),其具有覆盖范围广㊁全天候的优势,能够有效监测海面溢油位置,但S A R图像溢油监测的研究主要集中在探测溢油的有无,对油污面积计算较少.而可见光遥感图像[４]具有分辨率高㊁颜色丰富等特征,可以有效估计溢油区域面积,这对海洋生态破坏评估㊁后续溢油治理起到至关重要的作用.对于多源遥感图像海面溢油监测主要采用图像分割的方法,其中传统的海面溢油分割方法有: (１)基于阈值分割的方法[５],原理是将图像像素点分为若干类.这种方法实现简单且计算量小,但易受海面噪声以及图像灰度分布不均的影响,导致分割准确度低;(２)基于边缘信息的检测方法[６],结合溢油区域的形状特征以及边缘信息,来获取溢油候选区域;(３)基于语义分割[７Ｇ９]的检测方法,它是将图像中属于相同类别的像素聚类为一个区域.可以将溢油区域与海面进行明确的分类,语义分割对图像有更加细致的了解.用于语义分割的传统分类方法有:(１)随机决策森林(R a n d o m D e c i s i o nF o r e s t s,R D F)[１０],利用多棵树对样本进行训练并预测的一种分类方法;(２)马尔科夫随机场(M a r k o v R a n d o m F i e l d s, M R F)[１１],它是一种无向图模型,为每个像素分配定义标记的问题;(３)条件随机场(C o n d i t i o n R a n d o mF i e l d,C R F)[１２Ｇ１３],表示的是给定一组输入随机变量X的条件下另一组输出随机变量Y 的马尔可夫随机场.其中全连接条件随机场(F u l l y C o n n e c t e d C o n d i t i o n R a n d o m F i e l d, F C C R F)克服了传统C R F漏掉细小结构的缺点.但是这些传统方法的分类效果依然较差.近年来,深度学习已经广泛应用于计算机视觉领域[１４],尤其在图像分类方面获得了突破性的成功.L O N GJ等人提出了全卷积网络[１５](F u l l y C o n v o l u t i o n a lN e t w o r k s,F C N),应用于语义分割中,取得了较高的准确率.D e e p l a b[１６Ｇ１７]模型是由G o o g l e团队提出的一种用于语义分割的办法,利用空洞卷积准确调节分辨率,扩大感受野,降低计算量,并用空洞卷积金字塔池化(A t r o u sS p a t i a l P y r a m i dP o o l i n g,A S P P)模块进行多尺度特征提取,得到全局和局部特征.最后用全连接条件随机场,优化边缘效果,解决了因为传统深度卷积神经网络[１８Ｇ２０](D e e p C o n v o l u t i o n a l N e u r a l N e t w o r k,D C N N)中连续的池化和降采样导致空间分辨率明显下降的问题,近一步提升分割效果.但是D e e p l a b模型依然存在一些问题,例如:(１)先用深度卷积神经网络进行粗分割,再利用全连接条件随机场进行细分割,无法实现端对端的训６６１１㊀㊀㊀㊀㊀光学㊀精密工程㊀㊀㊀㊀㊀第２８卷㊀练,导致分类精度低;(２)对海面溢油区域的精细细节提取较差且耗时长.针对以上问题以及多源遥感图像的特点,本文以D e e p l a b 模型为基础,提出一种新的卷积神经网络形式的多源遥感图像海面溢油语义分割模型,用于监测海面溢油区域,该模型将C R F 与深度卷积神经网络相结合,利用高斯成对势和平均场近似定理,建立条件随机场形成递归神经网络(R e c u r r e n tN e u r a lN e t w o r k s ,R N N )[２１],并将它作为神经网络的一部分,获得一个兼具卷积神经网络特性和C R F 特性的深层端对端网络,将其命名为深度语义分割(D e e p S e m a n t i c S e gm e n t a t i o n ,D S S ).利用该模型监测S A R 以及可见光遥感图像的海面溢油区域,并用可见光遥感图像有效估计溢油面积.２㊀D e e pl a b 模型㊀㊀D e e p l a b 模型利用空洞卷积代替了标准的网络卷积操作,通过扩大感受野㊁缩小步幅对特征图采样.它调整了卷积滤波器的感受野来捕捉多尺度的上下文信息,输出不同分辨率的特征.对于一维卷积结构,输出特征图y 的每个位置i ,卷积滤波器w ,输入特征图x ,空洞卷积计算如公式(１)所示.二维卷积结构原理如图１所示.y [i ]＝ðkx [i ＋r k ]w [k ]．(１)图１㊀空洞卷积原理F i g ．１㊀P r i n c i pl e o f a t r o u s c o n v o l u t i o n ㊀㊀首先D e e p l a b 改进了R e s n e t 架构,将R e s n e t 的全连接层转化为卷积层,最后两个池化层去掉了下采样,且后续卷积层的卷积核改为了空洞卷积,并对R e s n e t 的权重进行微调,这样网络最后图２㊀A S P P 模块原理F i g ．２㊀P r i n c i p l e o fA t r o u sS p a t i a l P y r a m i dP o o l i n g(A S P P )７６１１第５期㊀㊀㊀㊀陈彦彤,等:基于深度语义分割的多源遥感图像海面溢油监测输出的特征图分辨率提高,感受野变大.然后进行多尺度提取,A S P P模块如图２所示,在给定的输入特征图上以r＝(６,１２,１８,２４)的３ˑ３空洞卷积并行采样,最后通过A S P P各个空洞卷积分支采样后结果融合到一起,得到最终预测结果.实际上就是通过不同的空洞卷积来对图像进行不同程度的缩放,从而获得了更好的分割效果.最后使用全连接条件随机场细化图片.３㊀海面溢油监测㊀㊀基于多源遥感图像的海面溢油区域普遍存在斑噪声和强度不均的现象.其中S A R图像中许多暗区域会被分类成溢油区域,可见光遥感图像中海杂波等会对目标检测产生影响.首先本文以D e e p l a b模型为基础,输入的图像经过深层卷积神经网络对其进行粗略地分割,然后将全连接条件随机场看做循环神经网络作为输出,再次对图像细分割,实现了深层卷积神经网络与全连接条件随机场端对端的连接,将D C N N与改进的全连接C R F模型优势结合在一个统一的端对端框架中.其次,本文在A S P P模块中加入了B N层,加快网格训练速度.最后,改进了基于平均场近似定理的全连接条件随机场算法,与D C N N端对端连接.３．１㊀全连接条件随机场传统的条件随机场用于平滑噪声,将邻近结点耦合,这样空间上接近的像素会被分配相同标记的标签.但是目前的深度卷积神经网络架构,得分图通常非常平滑.在这种情况下,使用传统的条件随机场模型会漏掉细小结构,目标恢复详细的局部结构.而全连接条件随机场可以克服这个缺点,捕获精细细节.首先将像素标签建模为随机变量,在全局观测条件下形成马尔科夫随机场,设图片为I,x i为像素i的标注,从标签L i中取值,X为随机变量x１,x２, ,x N产生的向量,I 和x的关系可以建模为条件随机场,如公式(２)所示:P(X＝x|I)＝１Z(I)e x p(－E(x|I))．(２)㊀㊀由此可定义吉布斯分布如公式(３)所示.E(x)＝ðiψu(x i)＋ði＜jψp(x i,x j),(３)ψp(x i,x j)＝μ(x i,x j)ðM m＝１w(m)k(m)G(f i,f j),(４)其中:ðiψu(x i)为衡量像素i取标签x i的损失,由深层卷积神经网络获得.ði＜jψp(x i,x j)为衡量像素i,j同时取标签x i,x j的损失,依赖于图像平滑项,使得相似像素更有可能标注相同标签,具体如公式(４)所示.每一个k m G为作用于特征向量的高斯核,f i和f j分别为像素i,j的特征向量,特征向量一般取图像二维位置坐标和颜色R G B向量.距离和颜色的差距越大,则影响越小.m表示高斯核的个数,取１或２.w(m)为权重线性组合,不同卷积核权值不同,它是由网络训练所得到,μ(x i,x j)为兼容性函数,即惩罚项.３．２㊀条件随机场看作循环神经网络根据公式(３),最小化吉布斯分布E(x)就可以得到标注结果,但是过程相对复杂且算法比较耗时,因而本文引入了平均场近似最大后验分布进行推理[２２].Q(x)为条件随机场P(x)的近似,它作为R N N重构.平均场近似推理迭代算法具体步骤如表１所示.表１㊀平均场近似推理迭代算法㊀T a b．１㊀M e a n f i e l da p p r o x i m a t e r e a s o n i n g i t e r a t i v ea l g o r i t h m算法:平均场定理用于将C R F分解为常见的C N N操作Q i(l)ѳ１z i e x p(U i(l))f o r a l l i初始化W h i l en o t c o n v e r g e dd oQ (m)(l)ѳðjʂi k(m)(f i,f j)Q j(l)f o r a l l m消息传递㊅Qi(l)ѳðm w(m)Q (m)i(l)权值调整^Qi(l)ѳðlᶄɪLμ(l,lᶄ)㊅Q i(l)兼容性转换㊅Qi(l)ѳU i(l)－^Q i(l)传递误差微分Q iѳ１z i e x p(㊅Q i(l))归一化E n dw h i l e８６１１㊀㊀㊀㊀㊀光学㊀精密工程㊀㊀㊀㊀㊀第２８卷㊀㊀㊀如表１所示,首先第１步初始化过程为初始概率值,U为卷积神经网络的结果.这个过程相当于在每个像素的所有标签上对一元电位应用一个S o f t m a x函数,不包含任何参数,可以看做神经网络的S o f t m a x层.第２步应用高斯滤波器来实现消息传递,即概率转移.对Q(x)进行高斯模糊,这个过程相当于神经网络的卷积运算.第３步为权值调整,对于每个类标签l,计算出上一步高斯滤波器输出的加权和.可以看作１ˑ１的卷积层,对多个特征图进行卷积运算.第４步为兼容性转换,通过考虑不同标签之前的兼容性并相应的分配惩罚,这样可以获得更好的结果.即如果将不同的标签分配给具有类似属性的像素,这将会受到惩罚,可视为卷积层.第５步用一元势减去兼容性转换步骤的输出,传递误差微分,表示最终概率由卷积神经网络的结果U和全局概率转移结果^Q i(l)共同决定.第６步是归一化操作,将第５步的结果归一化传到下一次循环神经网络迭代作为初始概率.这个过程可以看作另一个没有参数的S o f t m a x操作.本文对平均场近似推理迭代算法的第２步和第３步进行了改进,原始的高斯核为２,考虑了x, y的位置向量和颜色向量,实际上颜色向量在D C N N层中决定了分类的先验概率,所以可以不考虑颜色向量的高斯距离,仅考虑位置差异,这样高斯核为１,距离越远差异就越小.并用全图距离权重网络代替传统的高斯核距离,将距离权重置于全图卷积网络中,该网络的权值由训练样本得到.第２步和第３步概率转移和权值调整合并变为新的算法,相当于卷积运算,如公式(５)所示:Q i(l)＝ðiʂj a i,j Q j(l),(５)其中:a i为距离权重,l为类别,Q j(l)为每个点的类别概率.该算法的迭代过程可表示为多个卷积神经网络层,如图３所示,fθ表示迭代带来的变化.多图３㊀平均场近似推理算法迭代过程㊀㊀F i g．３㊀M e a n f i e l da p p r o x i m a t i o n r e a s o n i n ga l g o r i t h mi t e r a t i v e p r o c e s s层平均场迭代可以重复上述过程实现,每一次迭代都来源于之前迭代的结果,这就相当于将迭代平均场视为一个循环神经网络,网络方程如式(６)~式(８)所示,T为平均场的迭代次数,H１(t)初始值为D C N N归一化的结果㊁H２(t)为一次C R F 过程.Y(t)是第T次迭代的输出,当未达到迭代次数T时则继续迭代.当t＝T时,输出H２(t)为最终迭代结果.H１(t)＝s o f t m a x(U),t＝０H２(t－１),０＜tɤT{,(６) H２(t)＝{fθ(U,H１(t),I),０ɤtɤT,(７) Y(t)＝０,０ɤt＜TH２(t),t＝T{．(８)㊀㊀通过上述改进,模型整体流程图如图４所示,首先输入图片经过R e s n e t网络,将C o n３_x与C o n４_x的中间层改为空洞卷积,然后经过多尺度A S P P模块,通过不同的空洞卷积速率R a t e＝(６,１２,１８,２４)得到不同大小的特征图.其次经过多尺度A S P P模块,加入B N层后,它可以加快训练速度,提高网络的泛化能力.其中A S P P模块的卷积神经网络可视化如图５所示.当感受野较小的时候,提取到的是图像的细节特征.当感受野越来越大时,提取到的是图像的抽象特征.然后经过双线性插值输出特征图,提供了C R F的一元电位,直接以端到端连接到循环神经网络中.最后,进入循环卷积神经网络后,需要迭代t次才能离开循环,使用反向传播算法和随机梯度下降方法进行端到端的培训,一旦离开循环,S o f t m a x层进行网络的终止,输出分类结果.该算法统一了卷积神经网络与C R F的优势,形成了端对端的连接,并细化了分割边缘.９６１１第５期㊀㊀㊀㊀陈彦彤,等:基于深度语义分割的多源遥感图像海面溢油监测图４㊀D S S 流程图F i g．４㊀D S S f l o wc h a rt 图５㊀A S P P 模块的多尺度可视化结果F i g．５㊀M u l t i s c a l e v i s u a l i z a t i o n r e s u l t s o fA S P P ４㊀实验结果与分析㊀㊀实验对基于多源遥感图像的海面溢油区域进行检测,并与其他先进方法进行对比,验证本文模型的优越性.本实验电脑配置为I n t e l i ７处理器,显卡为N V D I AR T X ２０８０T i ,１６G 内存,在L i n u x 系统下的c a f f e 平台,并建立了高质量的S A R 图像与遥感图像数据集,其中可见光遥感图像来源于Q u i c k B i r d ,W o r l d V i e w Ｇ２等遥感卫星所拍摄到的海面溢油图像与G o o gl eE a r t h 中的图像,S A R 图像来源于c 波段雷达s a t Ｇ２极化仪,共采集了４２００张海面溢油图像.所得到的数据集将图像中目标划分为三类,分别为背景㊁溢油区域㊁舰船.然后从图像中随机选择６０％作为训练集,２０％作为验证集,另２０％作为测试集.由于训练需要大量的图片,所以本文进行了数据增强,即对每张图像随机旋转９０ʎ,１８０ʎ,２７０ʎ,最终得到了包含８４００张图像的数据集.实验在训练过程中应用p o l y 学习策略,具体如公式(９)所示.本文将深度卷积神经网络中的迭代次数设为２０K ,批量大小(b a t c hs i z e )为２０,e po c h 表示训练集中全部样本训练一次,共８０次.学习率的初始值为０．００１,为了防止学习率过大,在收敛到最优处会０７１１㊀㊀㊀㊀㊀光学㊀精密工程㊀㊀㊀㊀㊀第２８卷㊀不稳定,所以学习率应随着训练过程按指数级而下降.权重衰减为０．０００５,动量因子为０．９.p o l y ＝１－i t e r n a x _i t e r æèçöø÷po w e r ,(９)其中:p o w e r 为参数,值为０．９,i t e r 表示迭代次数,m a x _i t e r 表示最大迭代次数.本实验包括了海面溢油区域的分类结果㊁m I O U 计算与损失函数㊁时间对比分析以及溢油面积计算.４．１㊀海面溢油分类结果本实验分别对比了遥感可见光图像与S A R 图像的海面溢油分割情况,如下图所示,对比方法分别为C R F ＧR N N ,S P N e t,以及本文所提方法.图６~图８为可见光遥感图像的海面溢油分割结果,可见光遥感图像的油污与海水具有不同的表现.其中图６(a)为原图,可以看出图中溢油区域较明显,但存在海杂波的干扰.图６(b )为C R F ＧR N N 模型检测结果,它只是用传统的卷积神经网络进行粗分割,并且未对平均场定理进行改进,结果将部分海杂波错误分类为溢油区域.图６(c )的S P N e t 模型基本正确分类了溢油区域,但是精确度较差.本文所提出的方法检测结果如图６(d )所示,与图６(b )相比,本文模型可以精确的分类出海杂波与溢油区域,捕获了目标精细细节.图７(a )的溢油区域较分散且不明显,C R F ＧR N N 模型只正确分类了舰船,本文所提出的方法如图７(d )所示,由图可知本文方法分类效果最好,由于实现了端对端的连接分割精度近一步提升.由图８所示,C R F ＧR N N 模型将舰船错误分类为溢油区域,S P N e t 模型与本文模型都正确分类了舰船与溢油区域,但是本文模型对目标的精细分割能力较强,获得了良好的效果.图６㊀可见光遥感图像海面溢油分割结果F i g ．６㊀O p t i c a l r e m o t e s e n s i n g i m a g e o i l s p i l l s e gm e n t a t i o n r e s u l ts 图７㊀可见光遥感图像海面溢油分割结果F i g ．７㊀O p t i c a l r e m o t e s e n s i n g i m a g e o i l s p i l l s e gm e n t a t i o n r e s u l ts 图８㊀可见光遥感图像海面溢油分割结果F i g ．８㊀O p t i c a l r e m o t e s e n s i n g i m a g e o i l s p i l l s e gm e n t a t i o n r e s u l t s １７１１第５期㊀㊀㊀㊀陈彦彤,等:基于深度语义分割的多源遥感图像海面溢油监测图９㊀S A R 图像海面溢油分割结果F i g ．９㊀S A Ri m a g e o i l s p i l l s e gm e n t a t i o n r e s u l ts 图１０㊀S A R 图像海面溢油分割结果F i g ．１０㊀S A Ri m a g e o i l s p i l l s e gm e n t a t i o n r e s u l ts 图１１㊀S A R 图像海面溢油分割结果F i g ．１１㊀S A Ri m a g e o i l s p i l l s e gm e n t a t i o n r e s u l t s ㊀㊀图９~图１１为S A R 图像的海面溢油分类结果.在S A R 图像中,存在固有的相干斑噪声且不２７１１㊀㊀㊀㊀㊀光学㊀精密工程㊀㊀㊀㊀㊀第２８卷㊀同区域特性不均匀,导致分类难度增加,由３幅图可知,C R FＧR N N模型只能正确分类严重溢油区域,即图像中颜色较深的部分.S P N e t模型虽然正确分类了部分溢油区域但是对目标边缘比较模糊,本文所提出的方法分割结果均优于前两种模型.通过实验分析,无论是可见光遥感图像还是S A R图像,本文所提出的方法均适用且分割效果好.４．２㊀m I O U计算以及损失函数将本文模型在所建立的数据集上与其他先进模型进行对比,评价指标为m I O U,称为平均交并比,是语义分割的标准度量,具体如公式(１０)所示.对比结果如表２所示.m I O U值最低的为F C NＧ８s,由于卷积网络的层数较少,从而导致结果较差.D e e p l a b模型的值为７６．５,S P N e t模型的值仅次于本文所提出的模型,达到了７８．９, C R FＧR N N模型m I O U值为７１．８.本文方法与其他先进方法相比效果较好,m I O U达到８２．１. m I O U＝１k＋１ðk i＝０p i iðk j＝０p i j＋ðk j＝０p j i－p i i,(１０)其中:k为类别,i表示真实值,j表示预测值,p i j 表示将类i预测为类j.表２㊀不同模型m I O U对比T a b．２㊀C o m p a r i s o no f d i f f e r e n tm o d e l sm I O UM e t h o d m I O UF C NＧ８s[２３]６０．１D e e p L a bＧM S c[１６]７０．３C R FＧR N N[２２]７１．８D e e p l a b[１６]７６．５H D C[２４]７４．８S P N e t[２５]７８．９HＧR e N e t＋D e n s e C R F[２６]７６．８O x f o r d T V G H OC R F[２７]７７．９P r o p o s e d８２．１㊀㊀端对端模型迭代次数对实验的影响如表３,由表可知,当迭代次数达到５以上,m I O U提高的不是很明显,考虑迭代次数多所占用的时间,所以本文选用迭代次数为T＝５.表３㊀迭代次数对模型的影响T a b．３㊀E f f e c t o f n u m b e r o f i t e r a t i o n s o nm o d e lI t e r a t i o n１２３４５m I O U７９．５８０．０８１．２８１．７８２．１I t e r a t i o n６７８９１０m I O U８２．２８２．３８２．４８２．５８２．６㊀㊀本文利用了交叉熵损失函数(C r o s sE n t r o p y C o s tF u n c t i o n,C E C F)来计算损失,其定义如公式(１１)所示.交叉熵表示真实概率分布与预测概率分布之间的差异,在深度学习中,真实分布已经确定,交叉熵值越小,表示模型预测效果越好.损失函数收敛曲线如图１２所示.H(p,q)＝－ðn i＝１p(x i)l o g(q(x i)),(１１)其中:p(x i)表示真实概率分布,q(x i)表示预测概率分布.图１２㊀损失函数曲线F i g．１２㊀L o s s f u n c t i o n c u r v e４．３㊀时间分析在建立的数据集上与其它先进方法的时间对比,如表４所示.由表可知D e e p l a b模型耗时最长为１．４s,是因为没有实现深度卷积神经网络与全连接条件随机场端对端的连接.耗时最短的模型为F C NＧ８s,而本文所提出的D S S模型耗时相对较短,基本与F C NＧ８s模型处于同一个数量级上且保证了检测精度.３７１１第５期㊀㊀㊀㊀陈彦彤,等:基于深度语义分割的多源遥感图像海面溢油监测表４㊀不同模型耗时分析T a b．４㊀T i m eＧc o n s u m i n g a n a l y s i s o f d i f f e r e n tm o d e l sM e t h o d R u n t i m e/sF C NＧ８s０．５５D e e p l a b１．４S P N e t１．２５C R FＧR N N０．７５P r o p o s e d０．８４．４㊀溢油面积计算海面溢油面积的计算可以为海面污染程度以及未来可能污染的程度提供依据,具有重要的意义.本文通过可见光遥感卫星的分辨率以及溢油区域的像素点数来估计溢油面积,由于可见光遥感图像分辨率高,通常１m分辨率是指一个像素表示地面大约１ˑ１m的面积,因此利用溢油区域像素的数量乘以卫星分辨率的平方,即可求出海面溢油区域面积,具体如公式(１２)所示:S o sʈN o sˑR２,(１２)其中:S o s为海面溢油区域面积,N o s为溢油区域像素点数,R为卫星的分辨率.本文可见光遥感图像的溢油面积如表５所示.表５㊀可见光遥感图像溢油面积T a b．５㊀O i l s p i l l a r e a o f v i s i b l e r e m o t e s e n s i n g i m a g e卫星像素点数卫星分辨率/m溢油面积/m２可见光图像１７８１１２０．６１２９０６５．５可见光图像２２９７７４０．５７４４３．５可见光图像３６１５４８０．５１５３８７５㊀结㊀论㊀㊀本文以深层卷积神经网络为基础,空洞卷积代替最大池化层,并与全连接条件随机场实现端对端的连接,获得一个既有卷积神经网络特性又具有条件随机场特性的深层网络.克服了卫星图像对海面溢油监测的分类较差的问题,提升了捕获目标精细细节的能力.通过S A R和可见光遥感图像对海面溢油区域进行监测,在本文所建立的数据集上m I O U值达到了８２．１,对于遥感图像的分类效果均较好.并且利用可见光遥感图像高分辨率的特点,有效估计了溢油区域的面积,对海洋环境修复及查看海面污染程度具有重要的意义.本文是以弱监督学习为基础的训练模型,网络的训练依赖大量的标记图像,这就需要大量的人力且会受到人为主观因素的影响.因此,未来的研究重点会转向非监督学习,提高算法的便利与可行性.参考文献:[１]㊀童丽珏,周伯煌． 桑吉 轮引发的海洋生态环境损害问题探析[J]．中国环境管理干部学院学报,２０１８,２８(２):１２Ｇ１４．T O N GL Y,Z H O U B H．A n a l y s i so nd a m a g et o t h em a r i n ee c o l o g i c a l e n v i r o n m e n t c a u s e db y＂S a nＧc h i＂o i l t a n k e r[J]．J o u r n a l o f E M C C,２０１８,２８(２):１２Ｇ１４．(i nC h i n e s e)[２]㊀蒋兴伟,何贤强,林明森,等．中国海洋卫星遥感应用进展[J]．海洋学报,２０１９,４１(１０):１１３Ｇ１２４．J I A N GX W,H EX Q,L I N M S,e t a l．．P r o g r e sＧs e so no c e a ns a t e l l i t er e m o t es e n s i n g a p p l i c a t i o ni nC h i n a[J]．A c t a O c e a n o l o g i c a S i n i c a,２０１９,４１(１０):１１３Ｇ１２４．(i nC h i n e s e)[３]㊀康利军,李晓峰,宋甜甜．S A R图像海面溢油检测技术分析[J]．江苏科技信息,２０１８,３５(２０):４１Ｇ４３．K A N G LJ,L IX F,S O N G T T．A n a l y s i so fo i l s p i l ld e t e c t i o n t e c h n i q u e s f o r S A R i m a g e s[J]．J i a n g s u S c i e n c e&T e c h n o l o g y I n f o r m a t i o n,２０１８,３５(２０):４１Ｇ４３．(i nC h i n e s e)[４]㊀李宇,刘雪莹,张洪群,等．基于卷积神经网络的光学遥感图像检索[J]．光学精密工程,２０１８,２６(１):２００Ｇ２０７．L IY,L I U X Y,Z HA N G H Q,e t a l．．O p t i c a l r eＧm o t e s e n s i n g i m a g e r e t r i e v a l b a s e do nc o n v o l u t i o n a l n e u r a l n e t w o r k s[J]．O p t．P r e c i s i o nE n g．,２０１８,２６(１):２００Ｇ２０７．(i nC h i n e s e)[５]㊀A LＧAM R ISS,K A L Y A N K A R N V．I m a g es e gＧ４７１１㊀㊀㊀㊀㊀光学㊀精密工程㊀㊀㊀㊀㊀第２８卷㊀m e n t a t i o nb y u s i n g t h r e s h o l d t e c h n i q u e s[J]．A r XＧi vP r e p r i n tA r X i v:１００５．４０２０,２０１０．[６]㊀赵宏伟,陈霄,刘萍萍,等．视觉显著目标的自适应分割[J]．光学精密工程,２０１３,２１(２):５３１Ｇ５３８．Z HA O H W,C H E NX,L I UPP,e t a l．．A d a p t i v e s e g m e n t a t i o nf o rv i s u a ls a l i e n to b j e c t[J]．O p t．P r e c i s i o nE n g．,２０１３,２１(２):５３１Ｇ５３８．(i n C h iＧn e s e)[７]㊀刘宁波,丁昊,田永华,等．基于组合分形特征的海杂波中目标检测方法[J]．航空兵器,２０１８(２):３８Ｇ４２．L I U NB,D I N G H,T I A NY H,e t a l．．T a r g e t d eＧt e c t i o n m e t h o di n s e ac l u t t e r b a s e d o n c o m b i n e df r a c t a l c h a r a c y e r i s t i c s[J]．A e r o W e a p o n r y,２０１８(２):３８Ｇ４２．(i nC h i n e s e)[８]㊀N O H H,H O N GS,HA N B．L e a r n i n g d e c o n v o l uＧt i o nn e t w o r kf o rs e m a n t i cs e g m e n t a t i o n[C]．P r oＧc e ed i n g s o f t h eI E E Ei n te r n a t i o n a lc o nf e r e n c eo n c o m p u t e r v i s i o n,２０１５:１５２０Ｇ１５２８．[９]㊀C H E N LC,Z HU Y,P A P A N D R E O U G,e t a l．．E n c o d e rＧd e c o d e rw i t ha t r o u ss e p a r a b l ec o n v o l u t i o nf o r s e m a n t i c i m ag es e g m e n t a t i o n[C]．P r o c e e d i n g so f t h e E u r o p e a n C o n f e r e n c eo n C o m p u t e r V i s i o n(E C C V),２０１８:８０１Ｇ８１８．[１０]㊀JS H O T T O N,M J O HN S O N,R C I P O L L A．S eＧm a n t i ct e x t o nf o r e s t sf o r i m a g ec a t e g o r i z a t i o na n ds e g m e n t a t i o n[C]．I E E EC o n f e r e n c e o nC o m p u t e rV i s i o na n dP a t t e r nR e c o g n i t i o n,２００８．[１１]㊀R A N A L L IM,L A G O N AF,P I C O N E M,e t a l．．S e g m e n t a t i o n o fs e ac u r r e n tf i e l d sb y c y l i n d r i c a lh i d d e n M a r k o vm o d e l s:a c o m p o s i t e l i k e l i h o o da pＧp r o a c h[J]．J o u r n a l o f t h eR o y a l S t a t i s t i c a l S o c iＧe t y:S e r i e s C(A p p l i e dS t a t i s t i c s),２０１８,６７(３):５７５Ｇ５９８．[１２]㊀V A R MA KI,K R I S HN AMO O R T H Y S,P I S IＧP A T IRK．N a t u r a l l a n g u a g e q u e r y i n g w i t h c a s c aＧd e dc o n d i t i o n a l r a n d o mf i e l d s[P]．U n i t e dS t a t e sP a t e n tA p p l i c a t i o n２０１２０２５４１４３,２８０,５３５．２０１６Ｇ３Ｇ８．h t t p://w w w．f r e e p a t e n t s o n l i n e．c o m/y２０１２/０２５４１４３．h t m l．[１３]㊀汪萍．基于多尺度条件随机场的语义图像分割深度卷积网络[J]．宿州学院学报,２０１９,３４(７):６９Ｇ７４．WA N G P．D e e p C o n v o l u t i o n a l n e t w o r k w i t hm u l t iＧs c a l e c o n d i t i o n a l r a n d o f i e l d f o r s e m a n t i c i mＧa g e s e g m e n t a t i o n[J]．J o u r n a l o f S u z h o uU n i v e rＧs i t y,２０１９,３４(７):６９Ｇ７４．(i nC h i n e s e)[１４]㊀唐聪,凌永顺,郑科栋,等．基于深度学习的多视窗S S D目标检测方法[J]．红外与激光工程,２０１８,４７(１):３０２Ｇ３１０．T A N G C,L I N G Y S H,Z H E N G K D,e ta l．．O b j e c t d e t e c t i o n m e t h o do fm u l t iＧv i e w S S D b a s e do nd e e p l e a r n i n g[J]．I n f r a r ea n d L a s e r E n g iＧn e e r i n g,２０１８,４７(１):３０２Ｇ３１０．(i nC h i n e s e) [１５]㊀L O N GJ,S H E L HAM E RE,D A R R E L LT．F u l l yc o n v o l u t i o n a ln e t w o r k sf o rs e m a n t i cs e g m e n t a t i o n[C]．P r o c e e d i n g so f t h e I E E E C o n f e r e n c eo nC o m p u t e rV i s i o na n d P a t t e r nR e c o g n i t i o n,２０１５:３４３１Ｇ３４４０．[１６]㊀C H E N LC,P A P A N D R E O U G,K O K K I N O SI,e ta l．．D e e p l a b:S e m a n t i c i m a g e s e g m e n t a t i o nw i t hd e e p c o n v o l u t i o n a ln e t s,a t r o u sc o n v o l u t i o n,a n d f u l l y c o n n e c t e d c r f s[J]．I E E E t r a n s a c t i o n s o np a t t e r na n a l y s i sa n d m a c h i n e i n t e l l i g e n c e,２０１７,４０(４):８３４Ｇ８４８．[１７]㊀C H E N LC,P A P A N D R E O U G,K O K K I N O SI,e ta l．．S e m a n t i ci m a g es e g m e n t a t i o n w i t h d e e pc o n v o l u t i o n a ln e t sa n df u l l y c o n n e c t e dc r f s[J]．a r X i v p r e p r i n t a r X i v:１４１２．７０６２,２０１４．[１８]㊀K R I Z H E V S K Y A,S U T S K E V E RI,H I N T O N G E．I m a g e n e t c l a s s i f i c a t i o nw i t hd e e p c o n v o l u t i o n a ln e u r a l n e t w o r k s[C]．A d v a n c e s i nn e u r a l i n f o rＧm a t i o n p r o c e s s i n g s y s t e m s,２０１２:１０９７Ｇ１１０５．[１９]㊀潘仙张,张石清,郭文平．多模深度卷积神经网络应用于视频表情识别[J]．光学精密工程,２０１９,２７(４):９６３Ｇ９７０．P A N XZ H,Z HA N GS H Q,G U O W P．V i d e oＧb a s e d f ac i a l e x p r e s s i o nr e c o g n i t i o nu s i n g m u l t i m oＧd a l de e p c o n v o l u t i o n a l n e u r a l[J]．O p t．P r e c i s i o nE n g．,２０１９,２７(４):９６３Ｇ９７０．(i nC h i n e s e) [２０]㊀S A I N A T H T N,MO HAM E D A,K I N G S B U R Y B,e t a l．．D e e p c o n v o l u t i o n a l n e u r a l n e t w o r k s f o rL V C S R[C]．２０１３I E E EI n t e r n a t i o n a lC o n f e rＧe n c e o nA c o u s t i c s,S p e e c h a n dS i g n a lP r o c e s s i n g,I E E E,２０１３:８６１４Ｇ８６１８．[２１]㊀G R A V E S A,MO HAM E D A,H I N T O N G．S p e e c hr e c o g n i t i o n w i t h d e e p r e c u r r e n t n e u r a ln e t w o r k s[C]．２０１３I E E EI n t e r n a t i o n a lC o nＧf e r e n c eo n A c o u s t i c s,S p e e c ha n d S ig n a lP r oＧc e s s i n g,I E E E,２０１３:６６４５Ｇ６６４９．[２２]㊀G．L I N,C．S H E N,I．R E I D,A．v a nd a n H e nＧg e l．E f f i c i e n t p i e c e w i s eo fd e e p s t r u c t u r e d m o d e l sf o rs e m a n t i cs eg m e n t a t i o n[J]．A r X i v P r e p r i n tA r X i v:１５０４．０１０１３,２０１５．５７１１第５期㊀㊀㊀㊀陈彦彤,等:基于深度语义分割的多源遥感图像海面溢油监测[２３]㊀D E S MA I S O N A ,B U N E L R ,K O H L IP ,e t a l ．．E f f i c i e n tc o n t i n u o u s r e l a x a t i o n s f o r d e n s e C R F[C ]．E u r o p e a nC o n f e r e n c eo nC o m pu t e rV i s i o n ,S p r i n g e r ,C h a m ,２０１６:８１８Ｇ８３３．[２４]㊀WA N G P ,C H E N P ,Y U A N Y ,e t a l ．．U n d e r Ｇs t a n d i n g c o n v o l u t i o n f o r s e m a n t i c s e g m e n t a t i o n [C ]．２０１８I E E E W i n t e rC o n f e r e n c eo nA p pl i c a Ｇt i o n s o f C o m p u t e r V i s i o n (WA C V ),I E E E ,２０１８:１４５１Ｇ１４６０．[２５]㊀X I A N Y ,C H O U D HU R Y S ,H E Y ,e t a l ．．S e Ｇm a n t i c p r o je c t i o n n e t w o r kf o rz e r o Ｇa n df e w Ｇl a b e l s e m a n t i cs eg m e n t a t i o n [C ]．P r o c e e d i n g so f th e I E E E C o n f e r e n c eo n C o m pu t e r V i s i o na n d P a t Ｇt e r nR e c o gn i t i o n ,２０１９:８２５６Ｇ８２６５．[２６]㊀Z Y A N ,H Z HA N G ,YJ I A ,e t a l ．．C o m b i n i n gt h eb e s t o f c o n v o l u t i o n a l l a y e r sa n dr e c u r r e n t l a y Ｇe r s :A h y b r i dn e t w o r kf o rs e m a n t i cs e gm e n t a t i o n [J ]．A r X i vP r e p r i n tA r X i v :１６０３．０４８７１,２０１６．[２７]㊀A A R N A B ,SJ A Y A S UMA N A ,SZ H E N G ,P ．T o r r ．H i gh e r o r d e r p o t e n t i a l s i ne n d Ｇt o Ｇe n d t r a i n Ｇa b l e c o n d i t i o n a lr a n d o m f i e l d s [J ]．A r X i v P r e Ｇpr i n tA r X i v :１５１１．０８１１９,２０１５．作者简介:㊀陈彦彤(１９８９－),男,辽宁沈阳人,讲师,硕士生导师,２０１２年于吉林大学获得学士学位,２０１７年于中国科学院长春光学精密机械与物理研究所获得博士学位,主要从事遥感图像处理及目标识别方面的研究.E Ｇm a i l :c h e n ya n Ｇt o n g１＠y e a h ．n et ㊀李雨阳(１９９５－),女,辽宁辽阳人,硕士研究生,２０１７年于大连海洋大学获得学士学位,主要从事遥感图像㊁目标识别处理等方面的研究.E Ｇm a i l:l y y７９０８１９＠１６３．c o m ６７１１㊀㊀㊀㊀㊀光学㊀精密工程㊀㊀㊀㊀㊀第２８卷㊀。
基于CNN的遥感图像语义分割技术研究
基于CNN的遥感图像语义分割技术研究遥感图像语义分割技术是指将遥感图像中的每个像素与其所属的类别相对应的过程。
深度学习是近年来研究该领域的一种非常有效的方法，特别是卷积神经网络(CNN) 的出现，为遥感图像语义分割提供了更加有效和高精度的解决方案。
本文主要从以下三个方面讨论：1）基于CNN的遥感图像语义分割技术的基本原理；2）当前遥感图像语义分割技术面临的挑战和优化方法； 3）对于未来遥感图像语义分割技术的发展做出展望。
1. 基于CNN的遥感图像语义分割技术卷积神经网络是一种特殊的神经网络，它在处理空间信号时非常有效。
在遥感图像语义分割中，CNN可被用作特征提取器和分类器。
CNN可以从图像中学习出特征，从而减少了人类的参与，并且能够非常有效地分类原始图像中的每个像素。
CNN通常由多个层次组成，每个层都有不同的结构和参数。
在最初的卷积层中，CNN会自动提取图像中的特征。
然后，CNN通过池化层降低了特征数量，将特征转化成向量的形式。
最后，CNN通过输入给定的类别标签来预测原始图像中每个像素的类别。
2. 面临的挑战和优化方法遥感图像语义分割技术面临着许多挑战。
其中最常见的挑战是图像中的噪声和遮挡问题。
当遥感图像中存在噪声时，将会影响CNN的预测结果，因此必须对其进行预处理。
同时，遮挡问题需要特别注意，因为它会严重影响模型的训练和性能。
为了解决这些挑战，研究人员提出了许多优化方法。
其中最常见的方法是使用数据增强技术，例如旋转、翻转、裁剪、缩放和平移等技术，以使模型更有效地学习到数据的特征。
此外，为了避免遮挡问题，研究人员提出了多种协同训练、平衡损失函数、多任务学习和混合网络等优化方法。
3. 对未来的展望未来的遥感图像语义分割技术发展将会更加注重速度和准确性。
为了实现这一目标，研究人员需要发展更加精细和高效的卷积神经网络。
将会在未来涌现更多新的架构和算法，例如基于注意力机制的网络和深度增强学习等发展。
此外，遥感图像语义分割技术将是多个领域关注的研究热点，例如地球科学、气象学、城市规划和农业管理等领域。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
语义分割算法在区域遥感中的应用研究
随着遥感技术的发展和普及，人们在利用遥感数据进行地理信息分析和决策方
面已经取得了很多的成果。
而在遥感数据分析中，语义分割算法被广泛应用于区域遥感。
那么，语义分割算法在区域遥感中的应用研究会带来哪些变化呢？下面让我们一起探究一下。
一、语义分割算法概述
语义分割算法是计算机视觉领域中的一个热门研究方向，其主要目的是将图像
中的每个像素分配到特定的语义类别中。
与传统的图像分割方法相比，语义分割方法采用深度学习技术，大大提高了其准确性和效果。
二、语义分割算法在区域遥感中的应用
语义分割算法在区域遥感中的应用主要包括以下几个方面：
1. 土地利用分类
语义分割算法可以对遥感图像中的土地利用进行分类，如划分为耕地、林地、
草地等。
这可以为土地资源规划、土地评价和生态保护等方面提供有力的数据支撑。
2. 红外遥感图像目标检测
红外遥感图像目标检测是一项比较困难的任务，因为目标往往在红外图像中不
易被发现。
然而，语义分割算法可以通过对图像的语义分割来实现红外遥感图像中的目标检测，从而提高了红外遥感图像的利用价值。
3. 自然灾害监测
自然灾害如地震、洪水等都会对土地和建筑物造成不同程度的损害，语义分割
算法可以通过分析遥感图像来监测和评估灾情。
这有助于提高灾害应对和救援的效率和准确性。
4. 城市道路提取
城市道路信息对于城市规划和交通管理等具有重要意义。
语义分割算法可以对
遥感图像中的道路进行分割，从而实现城市道路的提取和更新。
三、语义分割算法的发展趋势
1. 多模态图像语义分割
传统的语义分割算法一般只采用光学图像数据进行分割，而多模态图像语义分
割算法可以同时利用多种类型的遥感数据进行分割，如高光谱图像和激光雷达图像等。
这有助于提高分割的准确性和效率。
2. 语义分割算法和空-时信息的融合
在遥感图像中，地物的变化往往是随时间变化的。
因此，将语义分割算法和空
-时信息进行融合，可以更好地反映地物的变化，从而提高遥感数据的利用效率。
3. 注意力机制的引入
注意力机制能够引起神经网络模型对特定信息的关注和提取，从而提高语义分
割算法的性能。
因此，将注意力机制引入到语义分割算法中，有望进一步提高其分割的准确性和效率。
总之，语义分割算法在区域遥感中的应用研究是一项比较热门的课题，其应用
前景非常广阔。
相信在未来的发展中，语义分割算法一定会得到更好的应用和发展。