科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对基于深度学习的遥感图像道路信息提取模型往往只能输出单任务结果且多任务之间相关性利用不充分的问题，提出了一种基于级联U-Net的道路语义分割和轮廓联合检测方法，将道路语义分割后的特征图与原始图像融合后进行道路轮廓的提取，实现道路语义分割和边界轮廓的联合训练。首先使用U-Net网络结构提取光学遥感图像丰富的层次化特征，通过采用级联结构将特征串联融合，分别用于提取道路的语义类别和边界轮廓。其次在每级U-Net结构中引入注意力机制模块，进行空间上下文信息和深层次特征提取，改善网络提取过程中出现的细节模糊现象。最后，使用骰子系数和交叉熵误差组成的联合损失函数进行多任务整体训练，实现深度学习模型对遥感图像中道路语义类别和边界轮廓的同时提取。通过在加拿大渥太华城市地区的光学遥感数据集上进行实验，基于级联U-Net的道路信息联合提取方法在分割指标上分别获得了42%的精确度，58%的召回率以及48.2%的F1分数和71.6%的平均交并比，在道路检测指标上取得了0.896的全局最佳阈值（ODS），结果证明，该模型在满足联合提取道路多任务信息的同时能够具有更优的检测精度。
