膨胀卷积残差网络在高分一号影像道路提取中的应用

5星 · 超过95%的资源 7 下载量 37 浏览量 更新于2024-08-28 2 收藏 6.54MB PDF 举报
"本文提出了一种基于膨胀卷积残差网络的多尺度特征融合方法,用于高分一号遥感影像中的道路提取。该方法通过目视解译创建大量训练标签,利用ResNet-101结构,并在其中集成膨胀卷积和多尺度特征感知模块,以保持道路边缘细节。通过融合不同尺度的特征图并上采样,恢复到原始分辨率,最终通过Sigmoid分类器实现高精度的道路提取。实验结果显示,该方法的准确率超过98%,有效提升了道路提取的完整性和细节保真度。" 在深度学习领域,全卷积神经网络(FCNs)常用于图像分割任务,包括道路提取。然而,FCNs中的下采样操作可能会导致道路边缘等细节信息的丢失,影响提取的准确性。为了解决这个问题,本文提出的解决方案是结合膨胀卷积和残差网络(ResNet)。膨胀卷积通过增加滤波器的步长,在不减少特征图分辨率的情况下扩大了特征点的感受野,从而能够捕获更多的上下文信息,而不会丢失细节。 ResNet-101是一种深度残差网络,其核心思想是通过残差块来解决深度网络中的梯度消失问题,允许信息更有效地流动。在ResNet-101中加入膨胀卷积,可以进一步增强网络对不同尺度特征的捕获能力,尤其是在处理高分辨率遥感影像时。 多尺度特征融合是本文的另一关键点。它通过将不同层的特征图进行融合,尤其是通过上采样操作,将低分辨率特征图恢复到原始分辨率,确保了道路边缘的细节得以保留。这种融合策略有助于整合不同层次的特征,提高道路提取的精度。 实验部分,作者对比了提出的多尺度特征融合的膨胀卷积残差网络与经典的全卷积神经网络模型,结果证明了本文方法在道路提取上的优越性,准确率达到了98%以上。这表明该方法对于保持道路的完整性以及边缘细节信息的提取具有显著优势,适用于高分一号等遥感影像的分析。 总结起来,本文介绍了一种创新的深度学习方法,结合膨胀卷积和多尺度特征融合,有效解决了全卷积网络在道路提取中的细节丢失问题,提高了道路提取的准确性和完整性,对于遥感影像处理领域具有重要的理论和实践价值。