基于神经网络的遥感图像语义分割方法

王恩德; 齐凯; 李学鹏; 彭良玉

doi:doi:10.3788/AOS201939.1210001

光学学报, 2019, 39 (12): 1210001, 网络出版: 2019-12-06

基于神经网络的遥感图像语义分割方法下载： 1678次

Semantic Segmentation of Remote Sensing Image Based on Neural Network

王恩德 ^1,2,3齐凯 ^1,2,3,4,*李学鹏 ^1,2,3彭良玉 ^1,2,3

作者单位

¹ 中国科学院沈阳自动化研究所, 辽宁沈阳 110016

² 中国科学院机器人与智能制造创新研究院, 辽宁沈阳 110169

³ 中国科学院光电信息处理重点实验室, 辽宁沈阳 110016

⁴ 东北大学信息科学与工程学院, 辽宁沈阳 110819

图 & 表

图 1. FCN结构示意图

Fig. 1. FCN structural diagram

下载图片查看原文

图 2. ResNet基本结构单元

Fig. 2. ResNet basic structural unit

下载图片查看原文

图 3.
ResNet18 结构图

Fig. 3.
Diagram of ResNet18 structure

下载图片查看原文

图 4. 网络主体结构

Fig. 4. Main structure of network

下载图片查看原文

图 5. N×N通道结构图

Fig. 5. Diagram of N×N channel structure

下载图片查看原文

图 6. 双通道不同尺度特征融合图

Fig. 6. Two-channel feature fusion with different scales

下载图片查看原文

图 7. 位置索引最大池化下采样和上采样

Fig. 7. Downsampling and upsampling of location index max pool

下载图片查看原文

图 8. 数据集部分图像及其对应的可视化标签

Fig. 8. Partial images of data sets and corresponding visual labels

下载图片查看原文

图 9. 切割后的部分数据集图像及其可视化标记展示

Fig. 9. Partial data set images and their visual mark display after cutting

下载图片查看原文

图 10. 部分原图像及经过翻转、旋转后的图像展示

Fig. 10. Partial original images and display of flipped and rotated images

下载图片查看原文

图 11. 不同分类算法对遥感图像的可视化分类结果

Fig. 11. Visual classification results of remote sensing images by different classification algorithms

下载图片查看原文

图 12. 通道1、通道1+2、整体结构三种情况的可视化分类结果

Fig. 12. Visual classification results of channel 1, channel 1+2, and overall structure

下载图片查看原文

表 1所提算法的分类结果混淆矩阵

Table1. Obfuscation matrix of classification results of proposed algorithmpixel

Category	Vegetation	Building	Water	Road	Others
Vegetation	9225390	3939997	187818	75047	281427
Building	783726	12505800	50563	126407	290737
Water	182936	9015	2069612	6761	29298
Road	20196	50490	5049	3256576	176714
Others	83475	144690	8348	41738	2672437

查看原文

表 2不同算法的分类准确率和R_Kappa

Table2. Classification accuracy and R_Kappa of different algorithms

Algorithm	Classification accuracy /%						R_Kappa
Algorithm	Vegetation	Building	Water	Road	Others	OA	R_Kappa
FCN-8s	71.88	71.43	70.09	69.97	71.23	71.30	0.6603
Unet	80.92	80.27	80.10	79.89	80.52	80.44	0.7522
SegNet	83.66	83.18	82.64	82.52	83.07	83.21	0.7810
Channel 1	81.16	81.23	81.47	80.97	81.32	81.20	0.7623
Channel 1+2	89.56	89.78	89.58	89.16	89.76	89.63	0.8406
Ours	90.77	90.82	90.18	90.30	90.57	90.68	0.8595

查看原文

表 3不同算法的卷积核参数、单次前向传播时间和训练时间

Table3. Convolution kernel parameters, single forward propagation time, and training time of different algorithms

Algorithm	Total number of parameters /10⁶	Forward time /ms	Train time /h
FCN-8s	134.3	221	5.56
Unet	23.6	56	4.72
SegNet	29.4	78	4.88
Channel 1	15.3	50	4.55
Channel 1+2	30.5	108	5.06
Ours	30.5	116	2.90

查看原文

王恩德, 齐凯, 李学鹏, 彭良玉. 基于神经网络的遥感图像语义分割方法[J]. 光学学报, 2019, 39(12): 1210001. Ende Wang, Kai Qi, Xuepeng Li, Liangyu Peng. Semantic Segmentation of Remote Sensing Image Based on Neural Network[J]. Acta Optica Sinica, 2019, 39(12): 1210001.

基于神经网络的遥感图像语义分割方法下载： 1678次

图 1. FCN结构示意图

Fig. 1. FCN structural diagram

图 2. ResNet基本结构单元

Fig. 2. ResNet basic structural unit

图 3.
ResNet18 结构图

Fig. 3.
Diagram of ResNet18 structure

图 4. 网络主体结构

Fig. 4. Main structure of network

图 5. N×N通道结构图

Fig. 5. Diagram of N×N channel structure

图 6. 双通道不同尺度特征融合图

Fig. 6. Two-channel feature fusion with different scales

图 7. 位置索引最大池化下采样和上采样

Fig. 7. Downsampling and upsampling of location index max pool

图 8. 数据集部分图像及其对应的可视化标签

Fig. 8. Partial images of data sets and corresponding visual labels

图 9. 切割后的部分数据集图像及其可视化标记展示

Fig. 9. Partial data set images and their visual mark display after cutting

图 10. 部分原图像及经过翻转、旋转后的图像展示

Fig. 10. Partial original images and display of flipped and rotated images

图 11. 不同分类算法对遥感图像的可视化分类结果

Fig. 11. Visual classification results of remote sensing images by different classification algorithms

图 12. 通道1、通道1+2、整体结构三种情况的可视化分类结果

Fig. 12. Visual classification results of channel 1, channel 1+2, and overall structure

表 1所提算法的分类结果混淆矩阵

Table1. Obfuscation matrix of classification results of proposed algorithmpixel

表 2不同算法的分类准确率和R_Kappa

Table2. Classification accuracy and R_Kappa of different algorithms

表 3不同算法的卷积核参数、单次前向传播时间和训练时间

Table3. Convolution kernel parameters, single forward propagation time, and training time of different algorithms

关于本站 Cookie 的使用提示

全站搜索

基于神经网络的遥感图像语义分割方法 下载： 1678次

图 1. FCN结构示意图

Fig. 1. FCN structural diagram

图 2. ResNet基本结构单元

Fig. 2. ResNet basic structural unit

图 3. ResNet18 结构图

Fig. 3. Diagram of ResNet18 structure

图 4. 网络主体结构

Fig. 4. Main structure of network

图 5. N×N通道结构图

Fig. 5. Diagram of N×N channel structure

图 6. 双通道不同尺度特征融合图

Fig. 6. Two-channel feature fusion with different scales

图 7. 位置索引最大池化下采样和上采样

Fig. 7. Downsampling and upsampling of location index max pool

图 8. 数据集部分图像及其对应的可视化标签

Fig. 8. Partial images of data sets and corresponding visual labels

图 9. 切割后的部分数据集图像及其可视化标记展示

Fig. 9. Partial data set images and their visual mark display after cutting

图 10. 部分原图像及经过翻转、旋转后的图像展示

Fig. 10. Partial original images and display of flipped and rotated images

图 11. 不同分类算法对遥感图像的可视化分类结果

Fig. 11. Visual classification results of remote sensing images by different classification algorithms

图 12. 通道1、通道1+2、整体结构三种情况的可视化分类结果

Fig. 12. Visual classification results of channel 1, channel 1+2, and overall structure

表 1所提算法的分类结果混淆矩阵

Table1. Obfuscation matrix of classification results of proposed algorithmpixel

表 2不同算法的分类准确率和RKappa

Table2. Classification accuracy and RKappa of different algorithms

表 3不同算法的卷积核参数、单次前向传播时间和训练时间

Table3. Convolution kernel parameters, single forward propagation time, and training time of different algorithms

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

基于神经网络的遥感图像语义分割方法下载： 1678次

图 3.
ResNet18 结构图

Fig. 3.
Diagram of ResNet18 structure

表 2不同算法的分类准确率和R_Kappa

Table2. Classification accuracy and R_Kappa of different algorithms