融合特征与决策的卷积-反卷积分割模型提升遥感影像效果

本文主要探讨了一种融合特征和决策的卷积-反卷积图像分割模型，该模型在图像处理领域有着重要的应用价值。作者利用全卷积网络（FCN）作为基础架构，构建了两个结构相同但功能各异的深层神经网络分支。这两个分支分别负责处理不同类型图像输入，如光学图像和遥感影像，以捕捉不同图像源的多级尺度特征。卷积-反卷积结构在此模型中起到了关键作用，它不仅实现了特征提取，还能从特征层面恢复目标区域，增强了模型的细节还原能力。 模型设计的关键在于对来自两个分支的分割结果进行加权融合，这使得模型能够综合不同来源的信息，提高分割的准确性和完整性。特别是在训练样本数量有限的情况下，通过数据增强技术，模型的泛化能力和鲁棒性得到了显著提升，使其能够在各类复杂场景下表现优异，例如遥感影像中的建筑物提取，尤其是在数据多样性、形态差异大以及尺度变化较大的情况下。 实验在光学图像数据集Weizmann horse和遥感影像数据集Vaihingen上进行了验证，结果显示，与相关文献相比，提出的模型在目标分割的完整度和性能上达到了最优。这证明了该模型对于处理遥感影像中的目标分割任务具有显著优势，尤其是在资源有限、情况复杂的环境中，可以有效提升分割精度和效率。 融合特征和决策的卷积-反卷积图像分割模型通过结合深度学习、多尺度特征融合、多源输入以及决策级融合等技术，为遥感影像目标分割提供了一种高效且鲁棒的解决方案，具有广泛的应用前景，特别是在遥感数据处理和分析中。