基于深度学习的遥感图像车辆分割论文

《基于深度学习的遥感图像车辆分割论文》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于深度学习的遥感图像车辆分割批注［t1］:题目没有表达新意，改成摘要“基于小物体分割卷积网络的遥感图针对遥感图像中的车辆分割问题，本文设计岀一种新的深度学习网络。由于被分割的物体尺寸较小,该网络去除了经典网络屮的池化层以减净网络的感受野仅rh不同人小的卷积核构成°网络分为由非线性映射块、特征提取块、连接块和判断块，4部务组-韓结果显示该网络无诒在分割准确率理述是交并比上蟄表现良好。这表明该网络在小物体的分割上是有效的。此外本文还提出了池化上采样结构并应用在该网络上，使该网络的在分割准确率基本血年娈的4靱4拟存效提升交并比大幅提升。1.引言人们可以通过安装大量的地面遥感器来获得城市的交通信

2、息，但这样的成本是巨大的。而获得卫星遥感图像，航空遥感图像要方便和经济的多。从这些遥感图像中获得车辆信息，在与地面的遥感器信息形成互补来以全面掌握城市的交通流量信息，这对构建智能交通系统将具有重要的意义。目前，已经有一些关于这些方面的研究。曹天扬等£11使用阈值分割分离深色车和浅色车，再分别从道路中提取车辆。李世武等辺基于自反馈模板提取方法，从待识别图像中提取模板，用模板匹配算法识别车辆。陈任等⑶基于图像对称性的方法，利用haar特征和车辆对称性的约束来识别车辆。本文首先用（JonathanLong等人「4］提出的FCN网络和OlafRonneberger等人「5］提出的U-net网络对遥

3、感图像中的车辆进行分▲割，之后在针对FCN网络和U-net网络■的不足提出厂个新的网络结构SOCN（SmallObjectSegmentationConvolutionalNetwork）b此外，本文还提出了池化上采样（ConvolutionalAveragePoolingUpSampling,cau）结构来优化SOCN网络，并讨论cau结构的深度和位置对网络性能的影响。本文使用的数据集来自谷歌地图由航拍公司BlueSky拍摄拥有59张训练图片有54张测试图片，图像中车辆大小约为20*40。2.数据预处理与FCN和U-net网络本章中，首先介绍了数据预处理的目的和方法，之后在介绍FCN网络

4、和像车辆分割“批注［t2］:过于简单的阐述新在哪里没有说明。批注［t3］:池化上采样可以放在前面，说明新的网络的特点。批注［t4］:参考文献批注［t5］:第一次出现，或者给出全称或者给出中文解释。批注［t6］:与FCN一样批注［t7］:参考文献带格式的：默认段落字体，字体：Verdana,小四，字体颜色：黑色，图批注［t8］:命名“SOCN”好一些带格式的：字体：（中文）+中文正文半◎七带格式的：字体：（中文）+中文正文'带格式的：字体：（中文）+中文正文:座孙：带格式的：字体：（中文）+中文正文'P笔第>带格式的：字体：（中文）+中文正文I佯缈£带格式的;字体：（中文）+中文正文'4^

5、）2.1预处理批注［t9］：参考文献？ShoujinWang等囹人指岀不平衡的样本分布会使网络有偏差的去学习那些拥有较多训练样本类别的特征，而拥有较少训练样本类别的特征很难被学习161o因此，网络会倾向于把样本判为训练样本较多的类别，导致网络性能急剧恶化。而分割网络只是一种特殊的判别网络，也需要軽特别注慧样本的均衡问题。首先是正负样本的平衡，本文是通过将图片中的车辆剪裁下来，在更人为的向图片中添加车辆，以达到正负样本的平衡。其次样本内部不同颜色的车辆的平衡，本文在正样本中复制出现较少的正样本，以保证样本内部不同颜色车辆的平衡。最后，我们还需要注意的是负样本的平衡丁图中背景主要以农田、沥青马

6、路为主而很少出现马路的路缘和阴影，所以本文在背景中增加路缘和阴影以保证负样本的平衡。图丄星样本均衡前后图像对比如图壬所示。(a)原图(b)样本均衡后图1样本均衡前后对比2.2FCN和U-net网络批注［VI0］：参考文献FCN网络由JonathanLong等⑷人在2015年提出来「4】,它是将深度学习网络运用于分割问题的一次飞跃。其创造性的将网络的全连接层替换为卷积层，使网络可以直接收任意大小的输入和输岀。ffi：U-net网络⑸是在FCN网络上发展而来。本文将FCN-32szFCN-16s,FCN-8s,U-net网络运用于遥感图像车辆分割的问题上,训练的Batchsize为1,当los

7、s不在旻变化即停止训练(本文所网络名称FCN-32SFCN-16SFCN-8SU-net实验结果无法工作无法工作无法工作无法工作有网络都是采用此训练方法）o实验结果如表1-：。表1.四种网络的分割结果注：本文定义分割网络将所有的像素点都判为一类的状态称为网络无法工作I带格式表格带格式的：字体：小四表1显示4种网络都无法分割遥感图像中的车辆目标。表T▲.FCN网络在多令公奔的数据集上表现较为良好，因为FCN测试的数据集有分