植被、阴影和云层等同谱异物物体的干扰导致遥感影像水体提取完整性较低、提取效果差。文中提出一种融合多层次空洞卷积和池化模型的遥感影像水体提取模型MAP_UNet(A UNet of Combining Multi Atrous Convolution and Pooling Model)。...
详细信息
植被、阴影和云层等同谱异物物体的干扰导致遥感影像水体提取完整性较低、提取效果差。文中提出一种融合多层次空洞卷积和池化模型的遥感影像水体提取模型MAP_UNet(A UNet of Combining Multi Atrous Convolution and Pooling Model)。该模型以UNet为基准编解码网络,提取水体的不同尺寸特征,引入双递归残差模块防止出现深层网络梯度消失现象,并使用多模块来融合空间空洞卷积和最大池化以捕捉更大范围的特征信息,进一步加强相邻尺度的特征语义关系。为验证所提方法的有效性与先进性,利用高分辨率可见光遥感影像数据进行实验,并与公开深度学习语义分割算法进行对比。实验结果表明,MAP_UNet模型在提取精度和防止同谱异物体误检方面都取得了较好效果,其精确率、召回率、F1-Score和MIoU(Mean Intersection over Union)分别达96.20%、92.64%、87.27%和89.10%,相比UNet(U-shaped Network)、UNet++和UNet_ASPP(UNet with Atrous Spatial Pyramid Pooling Network)网络均有较大提升。
暂无评论