彭俊桂 劉曉彬 黃有章

傳統(tǒng)的語義分割方法主要是通過提取圖像特征來實(shí)現(xiàn)，但由于現(xiàn)實(shí)世界物體邊界關(guān)系極其復(fù)雜，空間位置分布不均勻，成像結(jié)果容易受到光線的干擾，使得語義分割任務(wù)成為一個復(fù)雜的問題。這些問題制約了語義分割的準(zhǔn)確性和效率，不能滿足遙感圖像語義分割應(yīng)用的需求，大量關(guān)鍵數(shù)據(jù)不能得到充分利用。

為改善Deeplabv3+模型的語義分割效率和精確度，并針對上述模型的不足之處提出對應(yīng)的改進(jìn)方案，提出了采用MobilenetV2作為DeeplabV3+主干網(wǎng)絡(luò)的方法，經(jīng)實(shí)驗(yàn)驗(yàn)證，在遙感圖像語義分割中具有良好的檢測性能，可以很好地應(yīng)用于工業(yè)中。

改進(jìn)的DeeplabV3+

DeepLabV3+網(wǎng)絡(luò)包含了骨干網(wǎng)絡(luò)、空洞空間金字塔池化層和雙線性插值進(jìn)行上采樣模塊。此模型算法的流程是：首先遙感圖像進(jìn)入網(wǎng)絡(luò)的編碼階段進(jìn)行特征提取，在此階段圖片信息進(jìn)入改進(jìn)的ASPP層進(jìn)行多尺度特征提取和通道加權(quán)處理，獲得較好的全局和局部信息；最后是進(jìn)行解碼階段，對獲取到的信息進(jìn)行采樣恢復(fù)至原圖尺寸像素，并對每個像素點(diǎn)分類，達(dá)到語義分割效果。

改進(jìn)的MobilenetV2

DeeplabV3+原有的主干網(wǎng)絡(luò)Xception對類別多的分割任務(wù)有較好效果，但其網(wǎng)絡(luò)復(fù)雜度高、模型參數(shù)量大，由于遙感影像圖像、場景信息量大，隨著訓(xùn)練的進(jìn)行，參數(shù)量不斷加大，增加了訓(xùn)練的難度，故Xception不適合提取遙感地物特征信息，因此使用MobileNetV2替換Xception網(wǎng)絡(luò)，使用輕量化網(wǎng)絡(luò)MobileNetV2作為DeepLabV3+的主干網(wǎng)絡(luò)，其網(wǎng)絡(luò)體積小參數(shù)量少，可以更快速、更精準(zhǔn)地從大量遙感影像信息中提取遙感地物。引入線性瓶頸結(jié)構(gòu)，構(gòu)成線性瓶頸倒殘差結(jié)構(gòu)，在減少了遙感影像地物信息提取參數(shù)和計(jì)算量的同時，殘差結(jié)構(gòu)下也會減少信息丟失。MobileNetV2中添加擴(kuò)張倍數(shù)控制網(wǎng)絡(luò)大小，雖然網(wǎng)絡(luò)結(jié)構(gòu)較深，但計(jì)算量少，能節(jié)省訓(xùn)練時間和資源，對遙感影像中遙感地物特征提取有很大的優(yōu)勢。

將MobileNetV2其他參數(shù)不變，將其中3個步長為2的改為1，改變步長使輸入矩陣變小更慢，但可以使其獲取更多的特征信息。

實(shí)驗(yàn)過程在Linux操作系統(tǒng)，內(nèi)存12 G，GPU（T4）設(shè)備上進(jìn)行，使用深度學(xué)習(xí)框架pytorch1.2.0和Adam優(yōu)化器來進(jìn)行迭代更新參數(shù)，Adam可動態(tài)調(diào)節(jié)學(xué)習(xí)率，其中weightdecay為1e-4，初始學(xué)習(xí)率為8e-4。圖片輸入對其進(jìn)行了翻轉(zhuǎn)、旋轉(zhuǎn)、縮放和隨機(jī)打亂等操作進(jìn)行數(shù)據(jù)增強(qiáng)。

WHDLD數(shù)據(jù)集

WHDLD數(shù)據(jù)集是武漢大學(xué)制作的遙感圖像分割數(shù)據(jù)集，數(shù)據(jù)覆蓋包括6類地貌：裸地、遙感地物、人行道、道路、植被以及水域。數(shù)據(jù)集中包含4 940張遙感影像及相對應(yīng)的地物分類標(biāo)記樣本。

評估指標(biāo)

平均像素準(zhǔn)確率（mPA）是指計(jì)算正確分類的像素與所有像素?cái)?shù)量的比值；交并比（Intersection over Union，IoU）是指某一類別預(yù)測結(jié)果與真實(shí)值的交集與并集的比值，IoU值越高說明預(yù)測結(jié)果和真實(shí)值的重合比例越高。平均交并比（mean Intersection over Union，mIoU）是對每一類的IoU求和后的再平均。

WHDLD驗(yàn)證實(shí)驗(yàn)

根據(jù)在WHDLD遙感圖像數(shù)據(jù)集上進(jìn)行的對比實(shí)驗(yàn)，可以看出，針對模型參數(shù)大、運(yùn)行內(nèi)存量過高，難以用于工業(yè)部署等問題，可以采用MobilenetV2作為骨干網(wǎng)絡(luò)，改變其步長再提升精確度的解決方案。