基于深度學(xué)習(xí)的遙感圖像車輛分割論文

《基于深度學(xué)習(xí)的遙感圖像車輛分割論文》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫。

1、基于深度學(xué)習(xí)的遙感圖像車輛分割批注［t1］:題目沒有表達(dá)新意，改成摘要“基于小物體分割卷積網(wǎng)絡(luò)的遙感圖針對遙感圖像中的車輛分割問題，本文設(shè)計(jì)岀一種新的深度學(xué)習(xí)網(wǎng)絡(luò)。由于被分割的物體尺寸較小,該網(wǎng)絡(luò)去除了經(jīng)典網(wǎng)絡(luò)屮的池化層以減凈網(wǎng)絡(luò)的感受野僅rh不同人小的卷積核構(gòu)成°網(wǎng)絡(luò)分為由非線性映射塊、特征提取塊、連接塊和判斷塊，4部務(wù)組-韓結(jié)果顯示該網(wǎng)絡(luò)無詒在分割準(zhǔn)確率理述是交并比上蟄表現(xiàn)良好。這表明該網(wǎng)絡(luò)在小物體的分割上是有效的。此外本文還提出了池化上采樣結(jié)構(gòu)并應(yīng)用在該網(wǎng)絡(luò)上，使該網(wǎng)絡(luò)的在分割準(zhǔn)確率基本血年孌的4靱4擬存效提升交并比大幅提升。1.引言人們可以通過安裝大量的地面遙感器來獲得城市的交通信

2、息，但這樣的成本是巨大的。而獲得衛(wèi)星遙感圖像，航空遙感圖像要方便和經(jīng)濟(jì)的多。從這些遙感圖像中獲得車輛信息，在與地面的遙感器信息形成互補(bǔ)來以全面掌握城市的交通流量信息，這對構(gòu)建智能交通系統(tǒng)將具有重要的意義。目前，已經(jīng)有一些關(guān)于這些方面的研究。曹天揚(yáng)等￡11使用閾值分割分離深色車和淺色車，再分別從道路中提取車輛。李世武等辺基于自反饋模板提取方法，從待識別圖像中提取模板，用模板匹配算法識別車輛。陳任等⑶基于圖像對稱性的方法，利用haar特征和車輛對稱性的約束來識別車輛。本文首先用（JonathanLong等人「4］提出的FCN網(wǎng)絡(luò)和OlafRonneberger等人「5］提出的U-net網(wǎng)絡(luò)對遙

3、感圖像中的車輛進(jìn)行分▲割，之后在針對FCN網(wǎng)絡(luò)和U-net網(wǎng)絡(luò)■的不足提出廠個新的網(wǎng)絡(luò)結(jié)構(gòu)SOCN（SmallObjectSegmentationConvolutionalNetwork）b此外，本文還提出了池化上采樣（ConvolutionalAveragePoolingUpSampling,cau）結(jié)構(gòu)來優(yōu)化SOCN網(wǎng)絡(luò)，并討論cau結(jié)構(gòu)的深度和位置對網(wǎng)絡(luò)性能的影響。本文使用的數(shù)據(jù)集來自谷歌地圖由航拍公司BlueSky拍攝擁有59張訓(xùn)練圖片有54張測試圖片，圖像中車輛大小約為20*40。2.數(shù)據(jù)預(yù)處理與FCN和U-net網(wǎng)絡(luò)本章中，首先介紹了數(shù)據(jù)預(yù)處理的目的和方法，之后在介紹FCN網(wǎng)絡(luò)

4、和像車輛分割“批注［t2］:過于簡單的闡述新在哪里沒有說明。批注［t3］:池化上采樣可以放在前面，說明新的網(wǎng)絡(luò)的特點(diǎn)。批注［t4］:參考文獻(xiàn)批注［t5］:第一次出現(xiàn)，或者給出全稱或者給出中文解釋。批注［t6］:與FCN一樣批注［t7］:參考文獻(xiàn)帶格式的：默認(rèn)段落字體，字體：Verdana,小四，字體顏色：黑色，圖批注［t8］:命名“SOCN”好一些帶格式的：字體：（中文）+中文正文半◎七帶格式的：字體：（中文）+中文正文'帶格式的：字體：（中文）+中文正文:座孫：帶格式的：字體：（中文）+中文正文'P筆第>帶格式的：字體：（中文）+中文正文I佯緲￡帶格式的;字體：（中文）+中文正文'4^

5、）2.1預(yù)處理批注［t9］：參考文獻(xiàn)？ShoujinWang等囹人指岀不平衡的樣本分布會使網(wǎng)絡(luò)有偏差的去學(xué)習(xí)那些擁有較多訓(xùn)練樣本類別的特征，而擁有較少訓(xùn)練樣本類別的特征很難被學(xué)習(xí)161o因此，網(wǎng)絡(luò)會傾向于把樣本判為訓(xùn)練樣本較多的類別，導(dǎo)致網(wǎng)絡(luò)性能急劇惡化。而分割網(wǎng)絡(luò)只是一種特殊的判別網(wǎng)絡(luò)，也需要軽特別注慧樣本的均衡問題。首先是正負(fù)樣本的平衡，本文是通過將圖片中的車輛剪裁下來，在更人為的向圖片中添加車輛，以達(dá)到正負(fù)樣本的平衡。其次樣本內(nèi)部不同顏色的車輛的平衡，本文在正樣本中復(fù)制出現(xiàn)較少的正樣本，以保證樣本內(nèi)部不同顏色車輛的平衡。最后，我們還需要注意的是負(fù)樣本的平衡丁圖中背景主要以農(nóng)田、瀝青馬

6、路為主而很少出現(xiàn)馬路的路緣和陰影，所以本文在背景中增加路緣和陰影以保證負(fù)樣本的平衡。圖丄星樣本均衡前后圖像對比如圖壬所示。(a)原圖(b)樣本均衡后圖1樣本均衡前后對比2.2FCN和U-net網(wǎng)絡(luò)批注［VI0］：參考文獻(xiàn)FCN網(wǎng)絡(luò)由JonathanLong等⑷人在2015年提出來「4】,它是將深度學(xué)習(xí)網(wǎng)絡(luò)運(yùn)用于分割問題的一次飛躍。其創(chuàng)造性的將網(wǎng)絡(luò)的全連接層替換為卷積層，使網(wǎng)絡(luò)可以直接收任意大小的輸入和輸岀。ffi：U-net網(wǎng)絡(luò)⑸是在FCN網(wǎng)絡(luò)上發(fā)展而來。本文將FCN-32szFCN-16s,FCN-8s,U-net網(wǎng)絡(luò)運(yùn)用于遙感圖像車輛分割的問題上,訓(xùn)練的Batchsize為1,當(dāng)los

7、s不在旻變化即停止訓(xùn)練(本文所網(wǎng)絡(luò)名稱FCN-32SFCN-16SFCN-8SU-net實(shí)驗(yàn)結(jié)果無法工作無法工作無法工作無法工作有網(wǎng)絡(luò)都是采用此訓(xùn)練方法）o實(shí)驗(yàn)結(jié)果如表1-：。表1.四種網(wǎng)絡(luò)的分割結(jié)果注：本文定義分割網(wǎng)絡(luò)將所有的像素點(diǎn)都判為一類的狀態(tài)稱為網(wǎng)絡(luò)無法工作I帶格式表格帶格式的：字體：小四表1顯示4種網(wǎng)絡(luò)都無法分割遙感圖像中的車輛目標(biāo)。表T▲.FCN網(wǎng)絡(luò)在多令公奔的數(shù)據(jù)集上表現(xiàn)較為良好，因?yàn)镕CN測試的數(shù)據(jù)集有分