丁 成，翁理國(guó)，，夏 旻，崔逸塵，錢俊豪，劉 佳

1.南京信息工程大學(xué) 江蘇省大數(shù)據(jù)分析技術(shù)重點(diǎn)實(shí)驗(yàn)室，南京210044

2.南京信息工程大學(xué) 江蘇省大氣環(huán)境與裝備技術(shù)協(xié)同創(chuàng)新中心，南京210044

湖泊蘊(yùn)藏著豐富的自然資源，并且是可更新資源[1]，合理的開(kāi)發(fā)可以給人們帶來(lái)豐富的資源。近些年湖泊面積縮小的問(wèn)題比較突兀，對(duì)湖泊資源監(jiān)測(cè)，以保護(hù)湖泊資源的完整。將遙感影像技術(shù)應(yīng)用在湖泊分割中，可以實(shí)現(xiàn)高精度的湖泊資源監(jiān)測(cè)。

在衛(wèi)星圖像的分割領(lǐng)域中，湖泊分割已經(jīng)有了相應(yīng)的研究，大致可以分為兩大類：傳統(tǒng)方法和深度學(xué)習(xí)方法。

傳統(tǒng)方法通常是指水體指數(shù)閾值分割，王碧晴等[2]提出了一種基于歸一化水體指數(shù)和圖像分割技術(shù)相結(jié)合的高原湖泊提取方法，充分利用了圖像的光譜信息和空間結(jié)構(gòu)信息，彌補(bǔ)了單一的水體指數(shù)方法產(chǎn)生的錯(cuò)分、漏分、細(xì)碎對(duì)象較多等現(xiàn)象；Guo 等[3]提出了一種新的加權(quán)歸一化差分水體指數(shù)，應(yīng)用于湖泊的提取，可以從TM圖像中提取高精度水體；Elsahabi等[4]探索了一種AHDL 水面提取技術(shù)，將不同水體進(jìn)行分類，實(shí)現(xiàn)了不同水面提取技術(shù)。傳統(tǒng)方法能夠有效地提取出水體表面信息，但是在高背景復(fù)雜度情況下，提取到的水體會(huì)存在噪點(diǎn)和誤分的問(wèn)題。

深度學(xué)習(xí)分割方法是由Long等[5]提出全卷積（FCN）分割網(wǎng)絡(luò)興起的，實(shí)現(xiàn)了像素級(jí)別的分割。U-Net是由Ronneberger等[6]提出的一種繼承于FCN的改進(jìn)方法，是比FCN更精確的語(yǔ)義分割網(wǎng)絡(luò)。Zhang等[7]將深度學(xué)習(xí)應(yīng)用在遙感圖像分割中，采用卷積網(wǎng)絡(luò)提取遙感圖像的光譜和紋理特征，深層卷積網(wǎng)絡(luò)能夠提取到遙感圖像更多的特征；許玥等[8]提出了一種基于改進(jìn)的U-Net 網(wǎng)絡(luò)架構(gòu)與全連接條件隨機(jī)場(chǎng)的圖像分割算法，能夠提取高背景復(fù)雜度的遙感圖像特征；蘇健民等[9]提出的基于UNet 的高分辨率遙感圖像語(yǔ)義分割方法，實(shí)現(xiàn)了端到端的像素級(jí)語(yǔ)義分割。深度學(xué)習(xí)語(yǔ)義分割方法[10]，通過(guò)深層卷積能夠提取高背景復(fù)雜度遙感圖像的語(yǔ)義信息特征，減少了分割噪點(diǎn)，但是存在著半島、小島和湖泊細(xì)小支流的邊緣信息提取丟失問(wèn)題。

針對(duì)深度學(xué)習(xí)的語(yǔ)義分割法，在衛(wèi)星圖像分割中對(duì)半島、小島、湖泊細(xì)小支流的邊緣信息提取丟失問(wèn)題，本文提出了多注意力機(jī)制（MA-Net）網(wǎng)絡(luò)衛(wèi)星圖像分割算法。該分割模型框架是端到端的對(duì)稱結(jié)構(gòu)，由編碼和解碼兩部分組成。編碼部分使用改進(jìn)的VGG16[11]網(wǎng)絡(luò)提取衛(wèi)星圖像的紋理特征，解碼部分引入全局平均池化注意力融合機(jī)制（GPA），融合編碼層特征，得到豐富語(yǔ)義信息的特征圖，在網(wǎng)絡(luò)的輸出端加入注意力機(jī)制模塊（Attention），注重湖泊的邊緣信息特征提取，幫助提取出半島、小島和湖泊細(xì)小支流。

經(jīng)過(guò)實(shí)驗(yàn)，該模型能夠有效提取半島、小島、湖泊細(xì)小支流的邊緣信息，并且分割指標(biāo)優(yōu)于經(jīng)典分割模型。

1 多注意力機(jī)制網(wǎng)絡(luò)分割模型

1.1 分割模型框架

本文提出的MA-Net衛(wèi)星圖像分割算法的框架是端到端的對(duì)稱式結(jié)構(gòu)，由編碼和解碼兩個(gè)部分組成，分割模型框架如圖1所示。

圖1 多注意力機(jī)制分割模型框架

左半部分編碼，采用改進(jìn)的VGG16網(wǎng)絡(luò)提取特征，由5個(gè)Block組成的深度卷積網(wǎng)絡(luò)可以有效地提取衛(wèi)星圖像的紋理特征。右半部分解碼，設(shè)置了4 次上采樣，經(jīng)過(guò)4次反卷積上采樣[12]（Upsample）可以將特征圖的分辨率還原成輸入圖像大小。每次上采樣之后，高等級(jí)特征圖（網(wǎng)絡(luò)的上采樣層）跳躍連接相同尺寸的低等級(jí)特征圖（網(wǎng)絡(luò)的前4個(gè)Block層），使用GPA機(jī)制融合，并且融合之后進(jìn)行卷積加深處理。經(jīng)過(guò)4次特征圖的融合，使得提取的語(yǔ)義信息更加豐富。最后在網(wǎng)絡(luò)的輸出端加入Attention 模塊，對(duì)湖泊邊緣信息提取更充分，能夠有效分割出半島、小島和湖泊細(xì)小支流。

1.2 改進(jìn)的VGG16網(wǎng)絡(luò)

改進(jìn)的VGG16網(wǎng)絡(luò)是借鑒了批量標(biāo)準(zhǔn)化[13]和Relu激活[14]的思路，在每個(gè)滑動(dòng)卷積[11]之后依次添加批量標(biāo)準(zhǔn)化和Relu激活。

滑動(dòng)卷積用于特征提取，在網(wǎng)絡(luò)的特征圖上從左至右、自上而下依次滑動(dòng)窗口，對(duì)特征圖進(jìn)行特征提取。設(shè)置滑動(dòng)卷積的卷積核為3×3、步長(zhǎng)為1。前向傳播見(jiàn)公式（1）：

式中，Xl、Yl、Wl均是矩陣向量，Xl表示第l 層輸入，Wl表示第l 層權(quán)重，Conv2D 表示2維卷積，Yl表示第l 層輸出。

批量標(biāo)準(zhǔn)化（BN）通常設(shè)置在滑動(dòng)卷積之后，原因是在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中，經(jīng)過(guò)滑動(dòng)卷積特征提取，網(wǎng)絡(luò)參數(shù)分布會(huì)發(fā)生變化。隨著網(wǎng)絡(luò)層次的加深，參數(shù)分布的影響會(huì)被放大，使網(wǎng)絡(luò)訓(xùn)練過(guò)程慢。批量標(biāo)準(zhǔn)化將每層網(wǎng)絡(luò)參數(shù)標(biāo)準(zhǔn)化，使得每層的訓(xùn)練參數(shù)獲得相同分布，可以加快訓(xùn)練過(guò)程。在神經(jīng)網(wǎng)絡(luò)反向傳播時(shí)梯度幾乎為0的神經(jīng)元，批量標(biāo)準(zhǔn)化可以將這些特征重新建立分布，使其重新獲得梯度，防止梯度消失的問(wèn)題。復(fù)合函數(shù)計(jì)算見(jiàn)公式（2）：

式中，m 表示網(wǎng)絡(luò)一次訓(xùn)練的批量數(shù)，xi表示一個(gè)批量中第i 個(gè)特征圖，μβ表示一個(gè)批量中特征圖的平均值，表示一個(gè)批量中特征圖的方差，表示標(biāo)準(zhǔn)化的值，γ 和β 是可學(xué)習(xí)得到的參數(shù)，最終批量標(biāo)準(zhǔn)化的輸出服從均值β、方差γ2的正態(tài)分布，yi是得到的批量標(biāo)準(zhǔn)化的輸出。

Relu激活函數(shù)通常設(shè)置在BN 層之后，對(duì)特征進(jìn)行激活，保留有效的特征和抑制無(wú)用特征，一定程度上減少了網(wǎng)絡(luò)參數(shù)量。Relu激活函數(shù)是非線性函數(shù)，對(duì)輸入小于等于0 的值，則置0 抑制；對(duì)輸入大于等于0 的值，則?(x)=x 激活該值。使一部分神經(jīng)元輸出為0，得到的網(wǎng)絡(luò)具有稀疏性，可以使網(wǎng)絡(luò)的表達(dá)能力更強(qiáng)。前向傳播見(jiàn)公式（3）：

Block塊的前向傳播見(jiàn)公式（4）：

式中，xl-1表示第l-1 層的輸出，同時(shí)也是第l 層的輸入，? 表示滑動(dòng)卷積，? 表示批量標(biāo)準(zhǔn)化層，σ 表示Relu激活函數(shù)，yl表示Block的輸出。

前4 個(gè)Block 塊之后都會(huì)進(jìn)行最大池化[15]，最大池化能夠消除非極大值，降低計(jì)算復(fù)雜度。最大池化層采用的卷積核大小為2×2、步長(zhǎng)為2。每次最大池化會(huì)將特征圖縮小一倍。輸入512×512×3 大小的圖像，經(jīng)過(guò)4次最大池化后，Block5 輸出32×32×512 大小的特征圖，尺寸為原圖像的1/16。

改進(jìn)后的VGG16網(wǎng)絡(luò)相比原VGG16網(wǎng)絡(luò)，減少了16 000的參數(shù)量，可以縮減網(wǎng)絡(luò)訓(xùn)練時(shí)間。批量標(biāo)準(zhǔn)化的引入，解決了網(wǎng)絡(luò)中間層參數(shù)分布變化的問(wèn)題，使網(wǎng)絡(luò)中間層參數(shù)服從于相同的分布，有利于網(wǎng)絡(luò)訓(xùn)練和收斂。批量標(biāo)準(zhǔn)化的示意圖見(jiàn)圖2，圖2（a）表示未經(jīng)過(guò)批量標(biāo)準(zhǔn)化的參數(shù)分布，分布不集中，圖2（b）表示經(jīng)過(guò)批量標(biāo)準(zhǔn)化的參數(shù)分布，經(jīng)過(guò)批量標(biāo)準(zhǔn)化之后，參數(shù)分布比較集中，有利于網(wǎng)絡(luò)的訓(xùn)練。Relu 激活函數(shù)的引入，會(huì)將一些參數(shù)置0，使網(wǎng)絡(luò)具有稀疏性和更好的表達(dá)能力。

1.3 解碼結(jié)構(gòu)

圖2 批量標(biāo)準(zhǔn)化的參數(shù)對(duì)比

解碼部分是在Block5的輸出端，由于編碼網(wǎng)絡(luò)將輸入圖像轉(zhuǎn)化成原圖像的1/16，所以解碼網(wǎng)絡(luò)需要上采樣還原特征圖。上采樣設(shè)置反卷積的卷積核為2×2、步長(zhǎng)為2，每次反卷積會(huì)將特征圖還原為兩倍大。設(shè)置了4次上采樣，逐層還原圖像信息，最終使得輸出圖像與輸入圖像大小相一致。上采樣之后使用GPA融合機(jī)制跳躍連接編碼層相同尺寸的特征圖進(jìn)行融合。GPA 融合機(jī)制將高等級(jí)特征圖的全局信息壓縮成一個(gè)實(shí)數(shù)，用包含高等級(jí)特征圖全局感受野的實(shí)數(shù)，指導(dǎo)低等級(jí)特征圖特征學(xué)習(xí)，再將高、低等級(jí)特征圖融合，融合特征后使用卷積核為3×3、步長(zhǎng)為1 滑動(dòng)卷積加深處理，得到高分辨率的湖泊分割特征圖。最后在網(wǎng)絡(luò)的輸出端加入Attention 模塊，使網(wǎng)絡(luò)參數(shù)注重湖泊的邊緣信息提取，幫助分割出半島、小島和湖泊細(xì)小支流。

1.3.1 全局平均池化注意力（GPA）融合機(jī)制

GPA 融合機(jī)制主要啟發(fā)于Hu 等[16]提出的Squeezeand-excitation-networks，在通道維度上添加全局注意力信息。分割網(wǎng)絡(luò)具有共同點(diǎn)，都是由編碼和解碼兩部分組成。編碼部分用于提取圖像的紋理特征，解碼部分用于還原特征圖。如果解碼部分的高等級(jí)特征圖直接上采樣還原，會(huì)丟失很多細(xì)節(jié)特征。為了保留更多的細(xì)節(jié)特征，將高等級(jí)特征圖與低等級(jí)特征圖融合，得到豐富的語(yǔ)義信息。所以本文提出的GPA融合機(jī)制是添加在高等級(jí)特征和低等級(jí)特征之間[17]。融合過(guò)程中高等級(jí)特征圖在通道維度上具有注意力信息，用注意力信息指導(dǎo)低等級(jí)特征圖與高等級(jí)特征圖融合。GPA 特征融合之后得到高分辨率的特征圖，比高等級(jí)特征圖和低等級(jí)特征圖直接融合得到的特征圖所具有的特征更豐富。

在分割網(wǎng)絡(luò)中，低等級(jí)特征圖包含了豐富的位置信息，而高等級(jí)特征圖更多的是類別信息。GPA具體實(shí)現(xiàn)過(guò)程是將高等級(jí)特征圖在通道維度上全局平均池化，二維特征圖會(huì)被壓縮變成一個(gè)實(shí)數(shù)，這個(gè)實(shí)數(shù)具有高等級(jí)特征圖全局感受野。進(jìn)而把該值作為注意力信息與低等級(jí)特征圖相乘，指導(dǎo)低等級(jí)特征圖中的位置信息還原類別，得到包含類別信息的低等級(jí)特征圖。最后將生成的低等級(jí)特征圖和高等級(jí)特征圖進(jìn)行相加特征融合，得到語(yǔ)義信息更豐富的特征圖。包含豐富語(yǔ)義信息的特征圖，在湖泊分割中，對(duì)像素級(jí)別的分類精確度更高，可以準(zhǔn)確地分類出湖泊和陸地，減少了漏分和誤分。

GPA 融合機(jī)制的結(jié)構(gòu)如圖3 所示。首先將高等級(jí)的特征圖(H)的每個(gè)通道都進(jìn)行全局平均池化，得到1×1×n（n 為通道數(shù)）大小的類別信息特征圖(f1)，f1特征圖具有H 特征圖各通道上類別信息的全局感受野。計(jì)算見(jiàn)公式（5）：

式中，f1 是全局平均池化的輸出，m 表示特征圖的尺寸，aij表示特征圖上橫坐標(biāo)i、縱坐標(biāo)j 的值。

圖3 全局平均池化注意力融合機(jī)制

然后在f1 之后連接一個(gè)全連接層，全連接計(jì)算見(jiàn)公式（6），通過(guò)參數(shù)w 來(lái)為每個(gè)特征通道生成權(quán)重，參數(shù)w 被學(xué)習(xí)用來(lái)顯式地建模特征通道間的相關(guān)性。在w×f1 之后設(shè)置一個(gè)Sigmoid激活函數(shù)(σ)，將特征映射到0和1之間，用作表示通道重要程度，激活函數(shù)的輸出為f2。

接著將經(jīng)過(guò)特征選擇后的f2 特征圖，通過(guò)乘法逐通道加權(quán)到低等級(jí)特征圖(L)上，完成在通道維度上對(duì)原始L 特征圖的重標(biāo)定，使得L 特征圖也具備了H 特征圖類別信息的全局感受野，得到豐富語(yǔ)義信息的f3特征圖。計(jì)算見(jiàn)公式（7）：

最后將f3 特征圖與H 特征圖進(jìn)行特征融合，采用特征圖相加的方法（計(jì)算見(jiàn)公式（8）），得到了具有豐富語(yǔ)義信息的特征圖f4。

本文在高等級(jí)特征圖和具有相同大小的低等級(jí)特征圖之間連接GPA融合機(jī)制，網(wǎng)絡(luò)通過(guò)4層不同尺度的注意力機(jī)制特征融合，最后輸出的特征圖包含了豐富的語(yǔ)義信息，可以幫助恢復(fù)到高分辨率空間位置信息和類別信息，對(duì)湖泊的整體分割準(zhǔn)確率有一定提升，減少了湖泊漏分和誤分。

1.3.2 基于注意力機(jī)制（Attention）的邊緣信息提取

雖然經(jīng)過(guò)了4 層不同尺度的GPA 特征融合，但是半島、小島和湖泊細(xì)小支流不能被有效提取出來(lái)。由Li 等[17]提出的Pyramid attention network for semantic segmentation 啟發(fā)，在網(wǎng)絡(luò)最后一層特征圖后引入了注意力機(jī)制模塊，用于提取半島、小島和湖泊的細(xì)小支流[18]。

Attention模塊結(jié)構(gòu)見(jiàn)圖4。網(wǎng)絡(luò)的最后一層特征圖(Q)包含了豐富的位置和類別語(yǔ)義信息，對(duì)Q 特征圖在通道維度上進(jìn)行Softmax[19]回歸，Softmax回歸的功能是將特征值歸一化成概率值，計(jì)算得到輸出P。

圖4 注意力機(jī)制模塊結(jié)構(gòu)

本文中對(duì)512×512×2 大小的Q 特征圖在2 維的通道維度上進(jìn)行Softmax 回歸，計(jì)算每個(gè)通道的概率值。計(jì)算過(guò)程見(jiàn)公式（9）：

式中，n 為所求概率的類別數(shù)（即通道數(shù)，本文設(shè)置n=2），gi表示第i 個(gè)通道特征圖的數(shù)值，P(Si)為求得的概率值。

將Softmax 回歸得到的輸出P(Si)作為注意力信息與原特征圖Q 對(duì)應(yīng)相乘（見(jiàn)公式（10）），最后得到包含概率置信度的特征圖f 用于網(wǎng)絡(luò)最后的輸出。Attention模塊對(duì)概率值較大位置的特征值會(huì)增加特征置信度，對(duì)概率值較小位置的特征值會(huì)產(chǎn)生抑制作用（如該特征值的P(Si)概率值無(wú)限接近于1，則會(huì)保留該特征值；若該特征值的P(Si)概率值無(wú)限接近于0，則會(huì)對(duì)該特征值產(chǎn)生抑制）。

在湖泊分割中，區(qū)分湖泊和陸地主要是在湖泊的邊緣處。在網(wǎng)絡(luò)最后一個(gè)特征圖加入了Attention模塊，會(huì)對(duì)網(wǎng)絡(luò)中的權(quán)重參數(shù)產(chǎn)生變化。網(wǎng)絡(luò)學(xué)習(xí)的特征會(huì)更多地將權(quán)重分配在湖泊的邊緣，湖泊邊緣特征用于判斷屬于湖泊還是陸地。圖5是對(duì)網(wǎng)絡(luò)權(quán)重的熱圖可視化，對(duì)比了加入Attention 和未加入Attention 對(duì)權(quán)重分配的影響。其中圖5（a）顯示的是未加入Attention的熱圖，在處理湖泊邊緣信息上，黃色注意力信息較少，表示權(quán)重分配少；圖5（b）顯示的是加入了Attention的熱圖，在湖泊和陸地的邊界處黃色注意力信息明顯增多，表示網(wǎng)絡(luò)較多的注意力在湖泊的邊緣，更有益于細(xì)致分割湖泊。

圖5 注意力信息權(quán)重?zé)釄D可視化對(duì)比

2 實(shí)驗(yàn)分析

2.1 數(shù)據(jù)集與實(shí)驗(yàn)參數(shù)

本次實(shí)驗(yàn)的數(shù)據(jù)集來(lái)源于資源衛(wèi)星1號(hào)，下載了自2010年至2018年包含湖泊的衛(wèi)星云圖，選取無(wú)云遮擋、薄云遮擋、陸地積雪和冰面覆蓋的衛(wèi)星圖總共2 010張。首先在原圖上裁剪出分辨率為512×512 大小的湖泊圖片，然后利用Labelme工具制作分割標(biāo)簽圖，生成單通道的標(biāo)簽圖片（見(jiàn)圖6），白色表示湖泊，黑色表示陸地。

圖6 數(shù)據(jù)集標(biāo)簽

由于資源衛(wèi)星數(shù)據(jù)有限，在制作完標(biāo)簽后進(jìn)行了數(shù)據(jù)增強(qiáng)。設(shè)置了隨機(jī)角度旋轉(zhuǎn)、隨機(jī)水平和上下平移、縮放圖片等參數(shù)，共生成3 890張圖片用于訓(xùn)練，200張圖片用于評(píng)估，200張圖片用于測(cè)試。

本文實(shí)驗(yàn)所涉及的代碼均是基于Keras 實(shí)現(xiàn)的，使用顯卡GTX 1080ti加速網(wǎng)絡(luò)訓(xùn)練。采用了隨機(jī)梯度下降優(yōu)化器，以0.001的學(xué)習(xí)速率迭代60次后收斂。

2.2 評(píng)估指標(biāo)

因?yàn)楸疚闹惺嵌诸?，所以使用的是二分類比較有代表性的二值交叉熵[20]作為網(wǎng)絡(luò)訓(xùn)練優(yōu)化的損失函數(shù)。公式（11）中yi表示真實(shí)值，y?i表示預(yù)測(cè)值。

本文選取召回率(Recall)和平均交并比(Miou)作為評(píng)價(jià)指標(biāo)來(lái)衡量分割性能。

召回率是指模型正確預(yù)測(cè)的正樣本占數(shù)據(jù)集中所有正樣本的比例。計(jì)算見(jiàn)公式（12）：

式中，TP 表示實(shí)際為正樣本預(yù)測(cè)為正樣本，F(xiàn)N 表示實(shí)際為正樣本預(yù)測(cè)負(fù)樣本。

平均交并比是衡量圖像分割精度的重要指標(biāo)。交并比是計(jì)算真實(shí)集合和預(yù)測(cè)集合的交集與并集之比。在每個(gè)類上計(jì)算交并比，然后求和取平均值，得到平均交并比。計(jì)算見(jiàn)公式（13）：

式中，k 表示類別數(shù)，targeti表示類別i 真實(shí)集合，predicti表示類別i 預(yù)測(cè)集合。

2.3 實(shí)驗(yàn)仿真對(duì)比

本文實(shí)驗(yàn)對(duì)比，選用了FCN_8S、U-Net 兩個(gè)網(wǎng)絡(luò)。經(jīng)過(guò)實(shí)驗(yàn)，本文所提出的MA-Net算法可以實(shí)現(xiàn)高分辨率的湖泊分割，彌補(bǔ)了其他深度學(xué)習(xí)算法對(duì)湖泊邊緣信息提取丟失問(wèn)題。為了證明本文提出的GPA融合機(jī)制和Attention模塊的有效性，進(jìn)行了消融實(shí)驗(yàn)。將Attention模塊單獨(dú)加入網(wǎng)絡(luò)的模型命名為MA-Net1；將GPA 融合機(jī)制單獨(dú)加入網(wǎng)絡(luò)的模型命名為MA-Net2；將GPA融合機(jī)制和Attention 模塊均引入網(wǎng)絡(luò)的模型命名為MA-Net。分割效果如圖7 所示，其中（a）為采集的原始衛(wèi)星圖像，（b）為原始衛(wèi)星圖像所對(duì)應(yīng)的標(biāo)簽，（c）為FCN_8S的實(shí)驗(yàn)效果圖，（d）為U-Net的實(shí)驗(yàn)效果圖，（e）為MA-Net1 的實(shí)驗(yàn)效果圖，（f）為MA-Net2 的實(shí)驗(yàn)效果圖，（g）為MA-Net的實(shí)驗(yàn)效果圖。

圖7 不同網(wǎng)絡(luò)分割效果

由圖7 中可以看出，F(xiàn)CN_8S 網(wǎng)絡(luò)分割的湖泊和陸地誤分較多，如第一行的半島、第二行的小島都被誤分為湖泊，第三行的細(xì)小支流被誤分為陸地。原因是FCN_8S 網(wǎng)絡(luò)的上采樣，直接將融合過(guò)的特征圖8 倍上采樣還原成輸入圖像大小，會(huì)使很多特征信息丟失，導(dǎo)致網(wǎng)絡(luò)表達(dá)能力較弱。U-Net網(wǎng)絡(luò)分割效果相比FCN_8S網(wǎng)絡(luò)有所提升，通過(guò)逐層的2倍上采樣還原特征圖到輸入圖像大小，在上采樣過(guò)程中，跳躍連接相同尺寸的特征圖，進(jìn)行特征融合。由于上采樣倍數(shù)小，特征保留比較豐富，對(duì)第一行的半島和第二行的小島能分割出一小部分，第三行的內(nèi)湖的輪廓基本分割出來(lái)。MA-Net1對(duì)湖泊邊緣特征注意力增多，有利于半島、小島和細(xì)小支流的分割。第一行的半島能基本分割出來(lái)，第二行的小島比U-Net分割完整一些，第三行的細(xì)小支流能夠提取出來(lái)。MA-Net2 通過(guò)GPA 融合機(jī)制融合高、低等級(jí)特征圖得到豐富的語(yǔ)義信息，使第一行的半島和第二行的小島能夠基本提取出來(lái)。MA-Net 結(jié)合了GPA 融合特征得到豐富的語(yǔ)義信息和Attention 模塊對(duì)湖泊邊緣特征提取充分，可以將半島和小島分割精細(xì)，湖泊細(xì)小支流也可以精確分割出來(lái)。

在真實(shí)湖泊分割應(yīng)用場(chǎng)景下，會(huì)存在如云遮擋、陸地積雪和冰面覆蓋等復(fù)雜場(chǎng)景。本文設(shè)置了類似復(fù)雜場(chǎng)景用于測(cè)試。在復(fù)雜場(chǎng)景下的湖泊分割效果見(jiàn)圖7中的第四行和第五行，第四行的圖（a）是采集的陸地積雪和薄云遮擋的衛(wèi)星圖像，第五行的圖（a）是采集的冰面覆蓋的衛(wèi)星圖像。由分割效果圖看出，第四行陸地積雪，在FCN_8S 和U-Net 網(wǎng)絡(luò)中會(huì)存在大面積誤判為湖泊的情況，MA-Net1、MA-Net2和MA-Net三個(gè)網(wǎng)絡(luò)的陸地積雪分割噪點(diǎn)逐漸降低，MA-Net網(wǎng)絡(luò)幾乎沒(méi)有噪點(diǎn)；薄云遮擋部分，所有的模型都能夠分割準(zhǔn)確。第五行冰面覆蓋，F(xiàn)CN_8S網(wǎng)絡(luò)的部分陸地會(huì)被誤分為湖泊，湖泊的分割也存在著噪點(diǎn)。U-Net 網(wǎng)絡(luò)湖泊輪廓部分較FCN_8S 網(wǎng)絡(luò)有改善，但是湖泊的分割噪點(diǎn)較多。MA-Net1和MA-Net2網(wǎng)絡(luò)能夠降低湖泊分割的噪點(diǎn)，但是與本文提出的MA-Net網(wǎng)絡(luò)相比，MA-Net分割效果更好，MA-Net幾乎沒(méi)有噪點(diǎn)。由此可見(jiàn)本文提出的MA-Net衛(wèi)星圖像分割方法，在復(fù)雜場(chǎng)景下具有抗干擾性，能夠達(dá)到理想的分割效果。

經(jīng)過(guò)對(duì)比測(cè)試，本文提出的MA-Net 衛(wèi)星圖像分割算法，在分割指標(biāo)上召回率達(dá)到了98.56%、平均交并比達(dá)到了96.52%。分割指標(biāo)均優(yōu)于現(xiàn)有算法，相比于FCN_8S 召回率提升了2.91 個(gè)百分點(diǎn)、平均交并比提升了4 個(gè)百分點(diǎn)；相比于U-Net 召回率提升了2.17 個(gè)百分點(diǎn)、平均交并比提升了2.32個(gè)百分點(diǎn)。具體實(shí)驗(yàn)對(duì)比結(jié)果見(jiàn)表1。其中MA-Net3是在MA-Net網(wǎng)絡(luò)基礎(chǔ)上將編碼部分替換為原始VGG16 網(wǎng)絡(luò)，取得了98.21%的召回率和96.13%的平均交并比，分割指標(biāo)略低于改進(jìn)的VGG16 編碼網(wǎng)絡(luò)，驗(yàn)證了改進(jìn)的VGG16 網(wǎng)絡(luò)特征提取效果會(huì)有提升。

表1 實(shí)驗(yàn)結(jié)果對(duì)比 %

本文實(shí)現(xiàn)了GPA 融合機(jī)制的數(shù)量對(duì)分割指標(biāo)影響的量化分析。具體實(shí)驗(yàn)結(jié)果見(jiàn)表2。整個(gè)網(wǎng)絡(luò)中設(shè)置了4 次上采樣，表中的GPA 個(gè)數(shù)1 是指第1 次上采樣后加入GPA，GPA 個(gè)數(shù)2 是指第1 次和第2 次上采樣后加入GPA，GPA 個(gè)數(shù)3 和4 依此類推。由表2 的實(shí)驗(yàn)數(shù)據(jù)結(jié)果得，GPA融合機(jī)制的個(gè)數(shù)越多，網(wǎng)絡(luò)性能越好。4層不同尺度的GPA融合機(jī)制，相比單個(gè)GPA融合機(jī)制，平均交并比提升了1.06個(gè)百分點(diǎn)。

表2 GPA融合機(jī)制數(shù)量對(duì)分割指標(biāo)的影響%

2.4 模型通用性測(cè)試

City Scapes數(shù)據(jù)集[21]是由奔馳主推，提供在駕駛領(lǐng)域進(jìn)行圖像分割的數(shù)據(jù)集。本文為了驗(yàn)證提出的MANet 分割模型通用性，在該數(shù)據(jù)集上進(jìn)行了驗(yàn)證。同時(shí)選用FCN_8S、U-Net網(wǎng)絡(luò)與本文所提出的MA-Net作對(duì)比實(shí)驗(yàn)。經(jīng)過(guò)實(shí)驗(yàn)，本文所提出的MA-Net平均交并比達(dá)到了62.67%，優(yōu)于FCN_8S 和U-Net 分割模型，驗(yàn)證了本文提出的分割模型具有通用性。City Scapes 數(shù)據(jù)集測(cè)試結(jié)果見(jiàn)表3。

表3 City Scapes數(shù)據(jù)集測(cè)試結(jié)果 %

3 結(jié)語(yǔ)

本文針對(duì)深度學(xué)習(xí)的語(yǔ)義分割法，在衛(wèi)星圖像分割中對(duì)半島、小島、湖泊細(xì)小支流的邊緣信息提取丟失問(wèn)題，提出了多注意力機(jī)制網(wǎng)絡(luò)衛(wèi)星圖像分割算法，彌補(bǔ)了邊緣信息提取丟失問(wèn)題。實(shí)驗(yàn)結(jié)果表明，提出的MA-Net利用GPA融合機(jī)制，首先將高等級(jí)特征圖的全局信息壓縮成一個(gè)實(shí)數(shù)，利用具有全局感受野的實(shí)數(shù)指導(dǎo)低等級(jí)特征參數(shù)學(xué)習(xí)，接著通過(guò)高、低等級(jí)特征圖的融合，使得特征圖的語(yǔ)義信息更加豐富，最后在網(wǎng)絡(luò)的輸出端加入了Attention模塊，使得湖泊邊緣信息提取充分，有效分割出半島、小島和湖泊細(xì)小支流，但是邊緣拐角細(xì)節(jié)部分的分割有待提升。利用深度學(xué)習(xí)進(jìn)行遙感衛(wèi)星圖像的湖泊分割還處于初始階段，仍然有一些不足，有待進(jìn)一步改進(jìn)。主要有以下方面：（1）湖泊分割精度上還有待提升，對(duì)湖泊邊緣信息的分割還可以更精細(xì)；（2）本文主要采集的是少云、無(wú)云遮擋的衛(wèi)星圖像數(shù)據(jù)，場(chǎng)景復(fù)雜度不高。因此接下來(lái)的研究中，需要增加對(duì)以上問(wèn)題改進(jìn)。針對(duì)湖泊分割精度不是非常高，分析原因可能是數(shù)據(jù)樣本不夠多、網(wǎng)絡(luò)輸入圖像尺寸不夠大，導(dǎo)致網(wǎng)絡(luò)學(xué)習(xí)的特征不豐富，通過(guò)增加衛(wèi)星圖像樣本數(shù)量和采用1 024×1 024 大尺寸代替512×512 輸入網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)，以便提高湖泊衛(wèi)星圖像分割精度；對(duì)樣本的場(chǎng)景復(fù)雜度來(lái)說(shuō)，可以增加濃云遮擋湖泊、多背景的實(shí)驗(yàn)數(shù)據(jù)，以提升算法的抗干擾能力。