avatar avatar 我的文献 基于深度学习的无人机土地覆盖图像分割方法 作者 刘文萍; 赵磊; 周焱; 宗世祥; 骆有庆 单位 北京林业大学信息学院; 北京林业大学林学院 期刊 农业机械学报 时间 关键词 无人机; 语义分割; 土地覆盖图像; 深度学习; 卷积神经网络 基金 北京市科技计划项目(Z171100001417005); 国家重点研发计划项目(2018YFD0600200); 中央高校基本科研业务费专项资金项目(2015ZCQ-XX)
摘要
编制土地覆盖图需要包含精准类别划分的土地覆盖数据,其传统获取方法成本高、工程量大且效果不佳。为此本文提出一种面向无人机航拍图像的语义分割方法,用于分割不同类型的土地区域并分类,从而获取土地覆盖数据。首先,按照最新国家标准,对包含多种土地利用类型的航拍图像进行像素级标注,建立无人机高分辨率复杂土地覆盖图像数据集;然后,在语义分割模型DeepLabV3+的基础上进行改进,主要包括:①将原始主干网络Xception+替换为深度残差网络ResNet+。②引入联合上采样模块增强编码器的信息传递能力。③调整扩张卷积空间金字塔池化模块的扩张率并移除该模块的全局池化连接。④改进解码器使其融合更多浅层特征。最后在本文数据集上训练和测试模型。实验结果表明,本文提出的方法在测试集上像素准确率和平均交并比分别为95.06%和81.22%,相比原始模型提升了14.55%和25.49%,并且优于常用的语义分割模型FCN-8S(像素准确率为32.39%,平均交并比为8.39%)和PSPNet(像素准确率为87.50%,平均交并比为50.75%)。该方法能够得到精度更高的土地覆盖数据,满足编制精细土地覆盖图的需要。
下载 浏览 cnki {{liketext}}
©2020 - iData {{ message }} 关闭