王華俊， 葛小三

(河南理工大學(xué)測繪與國土信息工程學(xué)院，焦作 454003)

0 引言

遙感技術(shù)的發(fā)展使遙感影像空間分辨率提高，地物細(xì)節(jié)信息更豐富、幾何結(jié)構(gòu)和紋理特征等更明顯[1],這導(dǎo)致了噪聲相應(yīng)增加。如何從高空間分辨率遙感影像上準(zhǔn)確提取建筑物成為研究的熱點(diǎn)。

隨著深度學(xué)習(xí)的發(fā)展，建筑物提取成為遙感數(shù)據(jù)智能化應(yīng)用處理的研究重點(diǎn)。眾多學(xué)者提出了各種基于深度學(xué)習(xí)的建筑物提取方法，包括基于U-Net網(wǎng)絡(luò)的方法[2]、結(jié)合模糊度和形態(tài)學(xué)指數(shù)的深度學(xué)習(xí)建筑物提取方法[3]，基于特征增強(qiáng)和ELU神經(jīng)網(wǎng)絡(luò)的建筑物提取方法[4]、結(jié)合深度殘差網(wǎng)絡(luò)結(jié)構(gòu)和金字塔式層級(jí)連接的建筑物提取方法[5]、基于編解碼結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)的方法[6]、基于R-MCN模型的方法[7]等等。但這些方法普遍存在網(wǎng)絡(luò)參數(shù)量大、訓(xùn)練時(shí)間長、算法速度難以得到提升的問題。

近年來不斷涌現(xiàn)出大量深度學(xué)習(xí)模型，主要集中在以下幾方面： ①數(shù)據(jù)處理速度提升與訓(xùn)練參數(shù)量減少的模型，如LeNet[8]，AlexNet[9]，VGGNet[10]和ResNet[11]等； ②能減少模型訓(xùn)練參數(shù)量的輕量級(jí)網(wǎng)絡(luò)SqueezeNet[12]，MnasNet[13]和MobileNet[14]等； ③能提高準(zhǔn)確率與能進(jìn)行多尺度特征提取的DeepLab系列模型等。在語義分割中，DeepLab系列是常用模型之一，主要用于逐像素分類。Chen等[15]提出DeepLabv1，結(jié)合深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolution neural network, DCNN)和概率圖模型，提出空洞卷積(atrous convolution)，算法速度和準(zhǔn)確率較高； Chen等[16]提出DeepLabv2，使用空洞空間金字塔池化(atrous spatial pyramid pooling, ASPP)擴(kuò)大感受野、降低計(jì)算量； Chen等[17]提出DeepLabv3+，引入編碼-解碼(Encoder-Decoder)形式進(jìn)行多尺度信息融合，使物體邊界分割效果更好； 王俊強(qiáng)等[18]提出DeepLabv3+語義分割與全連接條件隨機(jī)場相結(jié)合的提取方法，能從高分辨率遙感影像中獲得典型要素邊界信息； 劉文祥等[19]在網(wǎng)絡(luò)中引入雙注意力機(jī)制模塊(dual attention mechanism module, DAMM)，提出將DAMM結(jié)構(gòu)與ASPP層串聯(lián)和并聯(lián)2種不同連接方式的網(wǎng)絡(luò)模型，能有效改善DeepLabv3+的不足。但是利用DeepLabv3+提取遙感影像建筑物仍存在邊界信息較粗糙、擬合速度慢、小尺度目標(biāo)分割模糊和大尺度目標(biāo)分割有孔洞等問題。

本文針對(duì)DeepLabv3+提取建筑物存在邊界信息粗糙和訓(xùn)練量大等問題，提出一種輕量級(jí)DeepLabv3+模型的遙感影像建筑物提取方法，使用MobileNetv2[20]替換DeepLabv3+的主干網(wǎng)絡(luò)，并將ASPP模塊中空洞卷積的空洞率組合改為4，8，12，16，以期提高DeepLabv3+的訓(xùn)練速度和目標(biāo)分割精確度，使模型能達(dá)到更好的建筑物提取效果。

1 方法與原理

本文提出一種輕量級(jí)DeepLabv3+模型的遙感建筑物提取方法： 使用輕量級(jí)網(wǎng)絡(luò)MobileNetv2替換原模型的主干網(wǎng)絡(luò)Xception； 在此基礎(chǔ)上，將ASPP中空洞卷積的空洞率進(jìn)行優(yōu)化組合，提出一種新的ASPP模塊結(jié)構(gòu)，通過調(diào)整模型中的學(xué)習(xí)率和卷積核等參數(shù)，使模型達(dá)到更優(yōu)的建筑物提取效果。

1.1 DeepLabv3+模型

DeepLabv3+引入Encoder-Decoder結(jié)構(gòu)，主要分為編碼(Encoder)部分和解碼(Decoder)部分。在此結(jié)構(gòu)中，引入可任意控制Encoder提取特征的分辨率，主干網(wǎng)絡(luò)將原始Xception[21]進(jìn)行改進(jìn)，并將深度可分離卷積應(yīng)用到ASPP和Decoder模塊中。

1)Encoder部分。在主干DCNN里使用串行空洞卷積，在圖像經(jīng)過主干DCNN后，得到的結(jié)果分別傳入Decoder和并行的空洞卷積用不同空洞率(rate)的空洞卷積進(jìn)行特征提取，提取后合并，用1×1卷積壓縮特征，進(jìn)入Decoder部分，并使用雙線性插值方法進(jìn)行4倍上采樣。

2)Decoder部分。一部分是DCNN經(jīng)過4倍上采樣輸出的特征，另一部分是DCNN輸出以后，經(jīng)過并行空洞卷積后的結(jié)果。為防止Encoder得到的高級(jí)特征被弱化，用1×1卷積對(duì)低級(jí)特征降維，2個(gè)特征融合后，用3×3卷積進(jìn)一步融合特征，使用雙線性插值方法進(jìn)行4倍上采樣，得到與原始圖像相同大小的分割預(yù)測結(jié)果。

DeepLabv3+在語義分割任務(wù)中將Xception模型進(jìn)行改進(jìn)，與改進(jìn)之前的Xception相比，DeepLabv3+的輸入流保持不變，但中間流更多； 所有的最大池化被深度可分離卷積(depthwise separable convolution)替代； 在每個(gè)3×3深度卷積之后，增加批標(biāo)準(zhǔn)化(batch norm, BN)和整流線性單元(rectified linear units, ReLU)。Xception結(jié)構(gòu)如圖1所示。

圖1 DeepLabv3+中的Xception網(wǎng)絡(luò)結(jié)構(gòu)

1.2 改進(jìn)的DeepLabv3+網(wǎng)絡(luò)

為有效提取遙感影像建筑物在不同尺度下的語義信息，本文使用Encoder-Decoder結(jié)構(gòu)，并將深度可分離卷積應(yīng)用在ASPP和Decoder模塊中減少運(yùn)算量，提高Encoder-Decoder網(wǎng)絡(luò)對(duì)遙感影像建筑物提取的運(yùn)行速率和健壯性。為增大感受野而不損失信息，使用空洞卷積增加每個(gè)卷積的輸出信息量，并通過空洞卷積平衡精度和耗時(shí)。為減少訓(xùn)練參數(shù)量和訓(xùn)練時(shí)間，將DeepLabv3+的主干網(wǎng)絡(luò)Xception替換為輕量級(jí)網(wǎng)絡(luò)MobileNetv2； 為增強(qiáng)網(wǎng)絡(luò)對(duì)不同大小目標(biāo)的分割能力，將ASPP模塊的空洞卷積中的6，12，18組合的空洞率改為4，8，12，16的組合。經(jīng)過主干網(wǎng)絡(luò)后的處理結(jié)果傳到Decoder層，Decoder層的主要結(jié)構(gòu)不發(fā)生改變。在上述工作完成后，對(duì)整個(gè)Encoder層進(jìn)行優(yōu)化，從而使替換后的網(wǎng)絡(luò)能準(zhǔn)確從遙感影像中提取出更高精度的建筑物。改進(jìn)DeepLabv3+模型結(jié)構(gòu)如圖2所示(其中包含與原模型對(duì)比)。

圖2 本文方法網(wǎng)絡(luò)結(jié)構(gòu)

1.2.1 深度可分離卷積

本文主干網(wǎng)絡(luò)核心內(nèi)容為深度可分離卷積。在含有大量噪聲和信息的遙感影像處理中，深度可分離卷積與常規(guī)卷積操作相比，有參數(shù)量少、訓(xùn)練時(shí)間短等優(yōu)點(diǎn)，在精度保持不變的情況下，能更好地在遙感影像中快速提取建筑物的特征信息。

卷積核大小代表感受野大小，卷積核越大感受野越大，若卷積核過大，會(huì)使計(jì)算量增加，對(duì)含有大量信息的遙感影像進(jìn)行處理時(shí)，隨著網(wǎng)絡(luò)深度的增加，計(jì)算能力和訓(xùn)練速度會(huì)逐漸降低，所以在本文網(wǎng)絡(luò)中，使用1×1卷積和3×3卷積進(jìn)行卷積操作。標(biāo)準(zhǔn)卷積是將過濾和輸入合并為一組新的輸出，而深度可分離卷積是由深度卷積和逐點(diǎn)卷積2部分相結(jié)合，一個(gè)用于過濾，另一個(gè)用于合并，以此用來提取特征。深度卷積是一個(gè)卷積核對(duì)應(yīng)一個(gè)輸入通道，獨(dú)立對(duì)每個(gè)輸入通道做空間卷積； 逐點(diǎn)卷積用于結(jié)合深度卷積的輸出，即每個(gè)通道單獨(dú)做卷積，通道數(shù)不變，然后將第一步的卷積結(jié)果用1×1卷積跨通道進(jìn)行組合。卷積操作如圖3所示。

(a) 標(biāo)準(zhǔn)卷積b) 深度可分離卷積

在本文深度可分離卷積中，首先采用深度卷積對(duì)不同輸入通道分別進(jìn)行卷積，然后采用逐點(diǎn)卷積將上面的輸出進(jìn)行結(jié)合，整體效果和一個(gè)標(biāo)準(zhǔn)卷積相同，但是會(huì)大大減少計(jì)算量和模型參數(shù)量，更適合提取建筑物特征。

1.2.2 主干網(wǎng)絡(luò)

DeepLabv3+的主干網(wǎng)絡(luò)Xception對(duì)種類多的提取任務(wù)有較好效果，但其網(wǎng)絡(luò)復(fù)雜度高、參數(shù)量大，而遙感影像復(fù)雜、信息量大，隨著訓(xùn)練的進(jìn)行，參數(shù)量會(huì)逐漸加大，故Xception不適合提取遙感影像建筑物信息，因此使用輕量級(jí)網(wǎng)絡(luò)MobileNetv2將DeepLabv3+的主干網(wǎng)絡(luò)Xception替換，其網(wǎng)絡(luò)體積小、參數(shù)量少，可以更快速、精準(zhǔn)地從大量遙感影像信息中提取建筑物。

MobileNetv2網(wǎng)絡(luò)(圖4和表1)有更小的體積、更少的計(jì)算量、更高的準(zhǔn)確率、更快的速度和多種應(yīng)用場景等優(yōu)點(diǎn)，在遙感影像建筑物提取中具有極大優(yōu)勢。MobileNetv2引入線性瓶頸結(jié)構(gòu)(linear bottlenecks)和反向殘差結(jié)構(gòu)(inverted residuals)，構(gòu)成線性瓶頸倒殘差結(jié)構(gòu)，使遙感影像建筑物提取的參數(shù)量和計(jì)算量減少、訓(xùn)練速度和提取精度更高。在此結(jié)構(gòu)中，反向殘差結(jié)構(gòu)將輸入的低維通過1×1卷積進(jìn)行升維，使用輕量級(jí)深度卷積進(jìn)行過濾并提取特征圖，并利用1×1卷積進(jìn)行降維。為避免降維后ReLU損失建筑物提取精度和破壞建筑物特征，在深度卷積處理后使用線性瓶頸結(jié)構(gòu)替換ReLU進(jìn)行降維，并使用限制最大輸出值為6的ReLU6替換普通ReLU。MobileNetv2中添加擴(kuò)張倍數(shù)控制網(wǎng)絡(luò)大小，雖然使網(wǎng)絡(luò)結(jié)構(gòu)更深，但計(jì)算量更少，能節(jié)省訓(xùn)練時(shí)間和資源，對(duì)遙感影像中建筑物提取有很大優(yōu)勢。

圖4 MobileNetv2網(wǎng)絡(luò)結(jié)構(gòu)

表1 MobileNetv2網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)

1.2.3 空洞空間金字塔池化

ASPP是由空洞卷積與空間金字塔池化(spatial pyramid pooling, SPP)[22]融合形成，能有效提取遙感影像中多尺度語義特征，從而在遙感影像建筑物提取中被廣泛使用。

DeepLabv3+中ASPP模塊空洞卷積的空洞率組合為6，12，18，隨著主干網(wǎng)絡(luò)對(duì)特征提取的進(jìn)行，特征圖分辨率會(huì)逐漸減小，6，12，18的組合不能更有效地提取多分辨率特征圖特征，沒有設(shè)置較小的空洞率，導(dǎo)致分割小目標(biāo)的能力欠缺，從而使網(wǎng)絡(luò)對(duì)不同大小分割目標(biāo)的分割能力較弱。為更有效地提取多分辨率特征圖特征，提高不同大小分割目標(biāo)的分割能力，本文將空洞卷積的空洞率組合改為4，8，12，16，使較大的分割目標(biāo)能被較大空洞率的卷積核分割，相反，較小的目標(biāo)可以被較小空洞率的卷積核分割，較小的空洞率可使特征提取更有效。經(jīng)過主干網(wǎng)絡(luò)MobileNetv2得到的特征圖輸入到本文ASPP模塊中，經(jīng)過1×1卷積操作、不同空洞率3×3卷積操作和最后的池化操作后，不同大小的分割目標(biāo)依次被卷積提取出特征圖，將輸出的6張?zhí)卣鲌D進(jìn)行融合，得到由本文ASPP產(chǎn)生的特征圖。本文改進(jìn)的ASPP結(jié)構(gòu)如圖5所示。

圖5 本文的ASPP結(jié)構(gòu)

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)所用訓(xùn)練數(shù)據(jù)集為武漢大學(xué)季順平團(tuán)隊(duì)制作的WHU建筑數(shù)據(jù)集[23]和Volodymyr制作的Massachusetts建筑數(shù)據(jù)集[24]。

WHU數(shù)據(jù)集主要包含航空?qǐng)D像、覆蓋1 000 m2衛(wèi)星圖像、柵格標(biāo)簽和矢量地圖，航空數(shù)據(jù)集由22萬多個(gè)獨(dú)立建筑物組成，這些建筑物由空間分辨率為0.075 m、覆蓋范圍為450 m2的新西蘭克賴斯特徹奇航空?qǐng)D像中提取，此地區(qū)包含多種地物種類，各種不同顏色、大小和用途的建筑類型。數(shù)據(jù)集將大部分航空?qǐng)D像(包含187 000棟建筑物)降至0.3 m空間分辨率，并將其無縫裁剪為512像素×512像素的8 188個(gè)無重疊圖塊，同時(shí)將數(shù)據(jù)集分為訓(xùn)練集、驗(yàn)證集和測試集，其中用于訓(xùn)練的圖像有4 736張、用于驗(yàn)證的圖像有1 036張、用于測試的圖像有2 416張。

Massachusetts建筑物數(shù)據(jù)集由波士頓地區(qū)的151張航拍圖像組成，每幅圖像為1 500像素×1 500像素、空間分辨率為1 m、單張覆蓋面積為2.25 km2，整個(gè)數(shù)據(jù)集覆蓋約340 km2。數(shù)據(jù)集預(yù)先劃分為含有137張圖像的訓(xùn)練集、10張圖像的驗(yàn)證集和4張圖像的測試集。為使Massachusetts數(shù)據(jù)集與WHU數(shù)據(jù)集中的圖像大小保持相同，將Massachusetts數(shù)據(jù)集的每張圖像分別裁剪為9張512像素×512像素大小的圖像，裁剪后的圖像數(shù)量為1 359張，并將其進(jìn)行旋轉(zhuǎn)，旋轉(zhuǎn)后的圖像數(shù)量為2 718張。

WHU與Massachusetts數(shù)據(jù)集實(shí)例圖像如圖6所示。WHU數(shù)據(jù)集影像的空間分辨率高于Massachusetts數(shù)據(jù)集影像的空間分辨率，并且Massachusetts數(shù)據(jù)集中的建筑物密度高，建筑物大小相對(duì)更小，更能體現(xiàn)出深度學(xué)習(xí)網(wǎng)絡(luò)提取小型建筑物的能力。

(a) WHU數(shù)據(jù)集示例1(b) WHU數(shù)據(jù)集示例2(c) Massachusetts數(shù)據(jù)集示例1(d) Massachusetts數(shù)據(jù)集示例2

2.2 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)所用機(jī)器主要軟硬件配置見表2。

實(shí)驗(yàn)主要設(shè)置： 定義輸入圖片的高和寬及需要分割的種類數(shù)量，讀取輸入的圖像和標(biāo)簽，進(jìn)行歸一化和大小調(diào)整，使用遷移學(xué)習(xí)思想獲取主干特征提取網(wǎng)絡(luò)的權(quán)重，并將數(shù)據(jù)集圖像隨機(jī)打亂，送入網(wǎng)絡(luò)進(jìn)行訓(xùn)練。初始學(xué)習(xí)率設(shè)置為0.000 3； 每次送入網(wǎng)絡(luò)訓(xùn)練的圖像批次為4，迭代次數(shù)為100次，每迭代2次保存一次訓(xùn)練細(xì)節(jié)； 使用交叉熵作為損失函數(shù)； 主干網(wǎng)絡(luò)使用MobileNetv2網(wǎng)絡(luò)； 優(yōu)化器選擇Adam優(yōu)化器，該優(yōu)化器能動(dòng)態(tài)調(diào)整每個(gè)參數(shù)的學(xué)習(xí)率； 激活函數(shù)使用ReLU激活函數(shù)； 膨脹系數(shù)α設(shè)為1。評(píng)價(jià)指標(biāo)為交并比(intersection over union, IoU)和F1分?jǐn)?shù)，交叉熵?fù)p失函數(shù)、IoU和F1分?jǐn)?shù)的公式分別為：

，

(1)

，

(2)

，

(3)

式中：yi為樣本i的標(biāo)簽，建筑物為1，背景為0；pi為樣本i預(yù)測為建筑物的概率；N為樣本數(shù)量；TP為正確提取建筑物的樣本數(shù)量；FP為把背景像素錯(cuò)誤提取為建筑物像素的樣本數(shù)量；FN為把建筑物像素錯(cuò)誤提取為背景像素的樣本數(shù)量。

2.3 結(jié)果與分析

DeepLabv3+中ASPP模塊空洞卷積的空洞率為6,12,18，本文ASPP模塊的空洞率組合為4，8，12，16。在本文模型基礎(chǔ)上，依次使用6，12，18和4，8，12，16的空洞率組合進(jìn)行實(shí)驗(yàn)，驗(yàn)證ASPP模塊的改進(jìn)在網(wǎng)絡(luò)模型中的效果。在使用原空洞率組合的情況下，測試結(jié)果的IoU值為80.54%，使用改進(jìn)的ASPP空洞率組合的情況下，測試結(jié)果的IoU值為82.37%，比原組合提高1.83百分點(diǎn)，所以使用4，8，12，16的空洞率組合對(duì)遙感影像建筑物有更優(yōu)的提取效果。

表3為不同模型分別在2個(gè)數(shù)據(jù)集中的評(píng)價(jià)指標(biāo)值，其評(píng)價(jià)指標(biāo)主要為IoU與F1分?jǐn)?shù)。較其他經(jīng)典模型相比，本文方法在2個(gè)數(shù)據(jù)集中實(shí)驗(yàn)結(jié)果的交并比均較高，遙感影像建筑物提取精度得到進(jìn)一步提高。相比于DeepLabv3+模型，本文方法在WHU數(shù)據(jù)集中的IoU提升2.71百分點(diǎn)、F1分?jǐn)?shù)提高2.14百分點(diǎn)，在Massachusetts數(shù)據(jù)集中的IoU提升2.04百分點(diǎn)、F1分?jǐn)?shù)提高2.32百分點(diǎn)，U-Net與SegNet的評(píng)價(jià)指標(biāo)值較低?？傮w上，本文提出的方法與其他模型相比均有所提升，對(duì)建筑物提取具有較高的有效性。由于本文模型使用的是輕量級(jí)網(wǎng)絡(luò)，與DeepLabv3+模型的主干網(wǎng)絡(luò)Xception相比，本文方法的主干網(wǎng)絡(luò)參數(shù)量少，所以訓(xùn)練時(shí)間更短，能有效提升模型訓(xùn)練速度。

表3 建筑物提取評(píng)價(jià)結(jié)果

建筑物提取結(jié)果如表4所示，在預(yù)測結(jié)果中隨機(jī)選取圖像作為本次實(shí)驗(yàn)結(jié)果的對(duì)比分析。在WHU數(shù)據(jù)集中U-Net和SegNet的提取結(jié)果相似，整體效果不佳，對(duì)小型建筑物的提取有時(shí)會(huì)失效或提取面積極小，在Massachusetts數(shù)據(jù)集中也可看出其對(duì)小型建筑物有提取效果不佳、提取面積極小的情況，并出現(xiàn)多處建筑漏提現(xiàn)象。較其他經(jīng)典模型相比，DeepLabv3+模型的提取效果較好，對(duì)大型建筑物邊界的提取精度更高，與本文方法相比，對(duì)小型建筑物的提取效果不佳、提取面積小、數(shù)量少。由于本文對(duì)ASPP中的空洞卷積設(shè)置較小的空洞率，因此本文方法對(duì)小型建筑物的提取面積有所增大，比DeepLabv3+模型提取的建筑物數(shù)量更多，改善了DeepLabv3+漏提和少提現(xiàn)象，邊界信息進(jìn)一步提高，優(yōu)于DeepLabv3+模型提取效果； 對(duì)建筑物錯(cuò)誤提取率較低，提取出的建筑物完整度較高，總體上提取效果較好。但是對(duì)小型建筑物的提取精度仍然有待提高，小型建筑物的邊界信息提取不夠完善，對(duì)具有復(fù)雜邊界的建筑物提取時(shí)，其邊界細(xì)節(jié)信息提取不夠精細(xì)，對(duì)大型建筑物提取時(shí)偶爾會(huì)出現(xiàn)一些孔洞或提取模糊現(xiàn)象。

表4 WHU和Massachusetts數(shù)據(jù)集建筑物提取結(jié)果

3 結(jié)論和展望

針對(duì)DeepLabv3+網(wǎng)絡(luò)參數(shù)量大的問題，本文對(duì)DeepLabv3+中的主干網(wǎng)絡(luò)進(jìn)行替換，利用MobileNetv2網(wǎng)絡(luò)輕便的特點(diǎn)，減少網(wǎng)絡(luò)參數(shù)量、優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)驗(yàn)結(jié)果也證明了本文方法的有效性，訓(xùn)練速度和精度得到有效提升； 對(duì)網(wǎng)絡(luò)中ASPP模塊進(jìn)行調(diào)整，將原ASPP模塊中6，12，18的空洞率調(diào)整為4，8，12，16的組合，經(jīng)過對(duì)ASPP模塊的實(shí)驗(yàn)結(jié)果可得出，本文改進(jìn)空洞率的ASPP模塊對(duì)建筑物的提取效果優(yōu)于原空洞率組合的提取效果。本文方法總體上對(duì)遙感影像建筑物的提取精度較高、參數(shù)量少、訓(xùn)練成本更低，能更有效提取遙感影像建筑物。由實(shí)驗(yàn)結(jié)果可看出，本文網(wǎng)絡(luò)對(duì)建筑物提取仍然存在不足，在后續(xù)研究中，繼續(xù)對(duì)ASPP中的空洞率組合和主干網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整實(shí)驗(yàn)，使其對(duì)小型建筑物能夠達(dá)到更好的提取效果； 根據(jù)邊界損失等思想進(jìn)一步思考，提出能夠提高邊界提取精度的新方法； 考慮在本文模型基礎(chǔ)上加入其他結(jié)構(gòu)和機(jī)制，以此加強(qiáng)網(wǎng)絡(luò)的健壯性和提取效果、能更有效地改善提取模糊和孔洞現(xiàn)象。