科研之友
微信
新浪微博
Facebook
分享链接
摘要
道路提取可以帮助我们更好地理解城市环境，是城市交通和城市规划等方面的重要部分，随着深度学习与计算机视觉的发展，利用基于深度学习的语义分割算法从遥感影像中提取道路的技术趋于成熟。针对现有的深度学习道路提取算法存在的提取速度慢和容易受背景环境因素干扰而产生漏分割、不连续等问题，提出了一种基于ECANet注意力机制和级联空洞空间金字塔池化模块的轻量化算法CE-DeepLabv3+。首先，将主干特征提取网络更换为轻量级的MobileNetv2，减少参数量，提高模型执行速度；其次，通过增加空洞空间金字塔池化模块的卷积层进一步扩大感受野，再级联不同特征层来增强语义信息的复用性，从而加强对细节特征的提取能力；再次，加入ECANet注意力机制，抑制背景环境中的干扰因素，聚焦道路信息；最后，采用改进的损失函数进行训练，解决了道路与背景样本不均衡对模型性能产生的影响。实验结果表明，改进算法性能优良，与原始DeepLabv3+算法相比，在分割效率、分割精度上有较大的提升。
- 出版日期2023
- 单位武汉理工大学
