针对目前基于深度学习与高分辨率遥感影像的建筑物提取研究现状,本文提出了一种综合ResNet中的ResBlock残差模块和Attention注意力机制的改进型Unet网络(Res;ttentionUnet),并将其应用于高分辨率遥感影像建筑物提取,有效地提高了建筑物的提取精度。具体优化方法为:在传统的Unet语义分割网络卷积层中加入针对初高级特征加强提取的ResBlock残差模块,并在网络阶跃连接部分加入Attention注意力机制模块。其中,ResBlock残差模块使卷积后的特征图获取更多的底层信息,增强卷积结构的鲁棒性,从而防止欠拟合;Attention注意力机制可增强对建筑物区域像素的特征学习,使特征提取更完善,从而提高建筑物提取的准确率。本研究采用武汉大学季顺平团队提供的开放数据集(WHU Building Dataset)作为实验数据,并从中选取3个具有不同建筑物特征和代表性的实验区域,然后分别对不同实验区域进行预处理(包括滑动裁剪和图像增强等),最后分别使用Unet、ResUnet、AttentionUnet和Res;ttentionUnet 4种不同的网络模型对3个不同实验区进行建筑物提取实验,并对实验结果进行交叉对比分析。实验结果表明,与其他3种网络相比,本文所提出的Res;ttentionUnet在基于高分辨率遥感影像的建筑物提取中具有更高的精度,平均提取精度达到95.81%,相较于原始Unet网络提升17.94%,同时相较于仅加入残差模块的Unet网络(ResUnet)提升2.19%,能够显著地提升高分辨率遥感影像中建筑物提取的效果。
应用深度学习的图像分析技术,可较早地、无损地检测作物病害,但移动端计算资源的有限性限制了深度学习在移动端的应用和发展。利用迁移学习方法,进行多种神经网络的预训练,将其在ImageNet图像数据集上学到的知识迁移运用到多种农作物数据集及番茄单作物数据集的多种病害识别上,并进行多个深度学习模型在多种作物数据集的计算复杂度、识别效果及计算速度的对比。通过对比发现:Xception模型的计算准确率比较高,计算复杂度稍复杂些;当应用场景对计算准确率的要求不是很高的情况下,ShuffleNet V20.5x模型在计算复杂程度、计算速度的综合表现相对较好,比较适合在移动端进行移植;接着,通过对ShuffleNet V20.5x采用ReLU和LeakyReLU激活函数进行训练和验证分析,发现当采用LeakyReLU激活函数替代原有的ReLU激活函数构建Shuffle Net V20.5x模型,可以改进Shuffle Net V20.5x模型,并能稍微提高识别的准确率,由85.6%提高到86.5%。最后将改进后的ShuffleNet V20.5x模型,移植到移动终端并进行测试。
暂无评论