鐘旭輝,譚海,梁雪瑩,潘明,石一劍

(1.遼寧工程技術(shù)大學(xué) 測(cè)繪與地理科學(xué)學(xué)院,遼寧 阜新 123000;2.自然資源部國(guó)土衛(wèi)星遙感應(yīng)用中心,北京 100048)

0 引言

隨著遙感技術(shù)的不斷進(jìn)步,遙感圖像被廣泛應(yīng)用于科學(xué)研究、社會(huì)服務(wù)等多個(gè)領(lǐng)域。目前我國(guó)的國(guó)產(chǎn)衛(wèi)星以高分一號(hào)、高分二號(hào)和資源三號(hào)為代表,其各項(xiàng)指標(biāo)都已經(jīng)接近國(guó)際先進(jìn)水平。國(guó)產(chǎn)衛(wèi)星影像的數(shù)量和質(zhì)量也在不斷增長(zhǎng),在社會(huì)各個(gè)領(lǐng)域發(fā)揮著越來(lái)越重要的作用[1]。然而,并不是所有的遙感圖像都可以直接被用于工程項(xiàng)目和科學(xué)研究。其中一個(gè)重要的原因就是云層,星載衛(wèi)星獲取的圖像通常都包含云層,并且云層的比例相對(duì)較大,一般超過(guò)50%[2]。在各種大氣成分中,云幾乎覆蓋了地球的三分之二,云的存在會(huì)影響遙感設(shè)備的使用率和成像質(zhì)量,并且占用了系統(tǒng)大量的存儲(chǔ)空間以及傳輸帶寬,造成了信道和地面設(shè)備資源的極大浪費(fèi)。為了提高衛(wèi)星遙感圖像的利用效率,研制一套能夠自動(dòng)、準(zhǔn)確地檢測(cè)分割遙感圖像中云區(qū)域的云檢測(cè)算法,具有非常重要的意義。

大多數(shù)的云檢測(cè)方法主要基于云的光譜特性或紋理特性進(jìn)行分類(lèi)[3],目前比較常用的云檢測(cè)大致可以歸為兩類(lèi),一類(lèi)為傳統(tǒng)算法,另一類(lèi)為利用神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測(cè)。傳統(tǒng)的云檢測(cè)算法大多數(shù)是依據(jù)物理特征,算法比較簡(jiǎn)單,操作性強(qiáng),一般是通過(guò)人工來(lái)劃定閾值從而構(gòu)造一個(gè)簡(jiǎn)單的分類(lèi)器,以此來(lái)進(jìn)行云檢測(cè)。其主要是根據(jù)云在遙感影像上具有高反射率和低溫的特性,當(dāng)下墊面地物具有跟云相似的反射率和溫度值時(shí),將無(wú)法對(duì)其進(jìn)行分離。此外,其物理閾值的設(shè)定也很大程度上取決于人的經(jīng)驗(yàn)值,并且傳統(tǒng)算法對(duì)傳感器的光譜通道具有一定的要求,因此具有一定的局限性。王偉等[4]提出了一種結(jié)合Kmeans聚類(lèi)均值和多光譜閾值方法的改進(jìn)云檢測(cè)方法。在地物光譜分析的基礎(chǔ)上,利用Kmeans聚類(lèi)均值方法將MODIS數(shù)據(jù)初步分為兩大類(lèi)。第一類(lèi)包括云、煙和雪,第二類(lèi)包括植被、水和土地。然后采用多光譜閾值檢測(cè),對(duì)第一類(lèi)干擾進(jìn)行消除,如煙霧和雪。Li等[5]提出了一種新的光譜空間分類(lèi)策略,通過(guò)集成閾值指數(shù)光譜角圖、自適應(yīng)馬爾科夫隨機(jī)場(chǎng)和動(dòng)態(tài)隨機(jī)共振來(lái)提高高光譜圖像上軌道云屏的性能。集成閾值指數(shù)光譜角圖被用于基于光譜信息對(duì)云像素進(jìn)行粗略分類(lèi)。然后利用自適應(yīng)馬爾科夫隨機(jī)場(chǎng)對(duì)空間信息進(jìn)行優(yōu)化處理,顯著提高了分類(lèi)性能。然而,由于機(jī)載環(huán)境中的噪聲數(shù)據(jù),出現(xiàn)了錯(cuò)誤分類(lèi),動(dòng)態(tài)隨機(jī)共振被用于消除自適應(yīng)馬爾科夫隨機(jī)場(chǎng)在二值標(biāo)記圖像中產(chǎn)生的噪聲數(shù)據(jù)。由于光學(xué)遙感圖像中云特征有多樣性的特點(diǎn),且不同的云特征在特征組合中的分布并不具備典型特點(diǎn),因此利用紋理差異進(jìn)行云檢測(cè)仍然存在難題。一些基于改進(jìn)紋理特征的云檢測(cè)算法在一定程度上提高了云檢測(cè)的精度,卻存在耗時(shí)長(zhǎng)、訓(xùn)練難度大、難以自動(dòng)提取等缺陷。另一種方法是利用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行云檢測(cè)。經(jīng)過(guò)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)能夠充分挖掘圖像中的特征,有效地完成遙感圖像的云檢測(cè)。Xie等[6]改進(jìn)了簡(jiǎn)單線(xiàn)性迭代聚類(lèi)(simple linear iterative clustering SLIC)方法,將圖像分割成高質(zhì)量的超像素。然后,設(shè)計(jì)了一個(gè)具有兩個(gè)分支的深度卷積神經(jīng)網(wǎng)絡(luò),從每個(gè)超像素中提取多尺度特征,并將超像素預(yù)測(cè)為包括厚云、薄云和非云在內(nèi)的3個(gè)類(lèi)別之一。最后,對(duì)圖像中所有超像素的預(yù)測(cè)產(chǎn)生云檢測(cè)結(jié)果。Guo等[7]提出了一種具有編碼器-解碼器結(jié)構(gòu)的新型云檢測(cè)神經(jīng)網(wǎng)絡(luò),命名為 CDnetV2,作為云檢測(cè)的系列工作。CDnetV2 包含兩個(gè)新穎的模塊,即自適應(yīng)特征融合模型和高級(jí)語(yǔ)義信息引導(dǎo)流。通過(guò)配備這兩個(gè)提議的關(guān)鍵模塊,CDnetV2 能夠充分利用從編碼器層提取的特征并產(chǎn)生準(zhǔn)確的云檢測(cè)結(jié)果。Liu等[8]設(shè)計(jì)了一種基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)和deep forest的超像素級(jí)云檢測(cè)方法。首先,將SLIC和SEED相結(jié)合,將遙感圖像分割成超像素;之后,利用結(jié)構(gòu)化森林計(jì)算每個(gè)像素的邊緣概率,在此基礎(chǔ)上更精確地分割超級(jí)像素。分割后的超像素構(gòu)成了一個(gè)超像素級(jí)的遙感數(shù)據(jù)庫(kù)。

綜上所述,許多國(guó)內(nèi)外的專(zhuān)家學(xué)者對(duì)云檢測(cè)進(jìn)行了大量深入的研究,提出了許多云檢測(cè)的算法,但是傳統(tǒng)方法由于受光學(xué)遙感影像中云的特征較為復(fù)雜,且受水、雪等具有相似紋理特征地物的影響,許多算法都存在對(duì)云的漏判誤判等問(wèn)題。另外,使用深度學(xué)習(xí)算法進(jìn)行檢測(cè)存在訓(xùn)練周期長(zhǎng)等問(wèn)題。因此,本文提出了一種基于改進(jìn)DeeplabV3+的云檢測(cè)模型,通過(guò)加入遷移學(xué)習(xí)模塊來(lái)減少耗時(shí),降低訓(xùn)練難度,并且通過(guò)改進(jìn)Xception網(wǎng)絡(luò)框架以及空間金字塔(atrous spatial pyramid pooling,ASPP)模塊的空洞卷積來(lái)提高檢測(cè)精度。

1 研究方法

1.1 DeeplabV3+基礎(chǔ)模型

DeeplabV3+模型是在DeeplabV3的基礎(chǔ)上進(jìn)行改進(jìn)而來(lái),主要包括編碼器和解碼器這兩部分。該模型以DeeplabV3為編碼器,其主要作用為提取輸入影像的特征,然后通過(guò)解碼器對(duì)提取的特征進(jìn)行一個(gè)解碼工作最終獲得預(yù)測(cè)結(jié)果。

該網(wǎng)絡(luò)的主要工作原理為:在編碼器里對(duì)輸入的圖像進(jìn)行一個(gè)特征提取,先經(jīng)過(guò)深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional neural networks,DCNN)獲取兩個(gè)有效特征層(分別為一個(gè)低級(jí)特征圖和一個(gè)高級(jí)特征圖,低級(jí)特征層會(huì)直接傳入解碼器,而高級(jí)特征層會(huì)經(jīng)過(guò)ASPP模塊得到多尺度語(yǔ)義特征),然后再對(duì)ASPP模塊獲取的多個(gè)特征圖進(jìn)行一個(gè)融合,接著經(jīng)過(guò)一次1×1的卷積,然后再輸入到解碼器。在編碼器里先對(duì)DCNN里輸出的低級(jí)特征層進(jìn)行一個(gè)1×1的卷積,對(duì)ASPP模塊輸出的高級(jí)特征層進(jìn)行一個(gè)4倍上采樣,然后再對(duì)上述兩個(gè)特征層經(jīng)過(guò)一次融合、一次3×3卷積和一次4倍上采樣,最終輸出對(duì)圖像的預(yù)測(cè)結(jié)果。其完整網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 DeeplabV3+網(wǎng)絡(luò)結(jié)構(gòu)

1.2 Xception網(wǎng)絡(luò)

Xception網(wǎng)絡(luò)結(jié)構(gòu)[9]表示的意思是extreme inception,是在InceptionV3[10]的基礎(chǔ)上,結(jié)合ResNet思想加以改進(jìn)得來(lái)的。Xception主要是將原來(lái)Inceptionv3中的多尺寸卷積核特征響應(yīng)操作替換為深度可分離卷積。對(duì)于Xception網(wǎng)絡(luò)而言,其分為3層,分別是輸入層、中間層、輸出層;分為14個(gè)block,其中輸入層中有4個(gè),中間層中有8個(gè),輸出層中有2個(gè)。

Dai等[11]對(duì)Xception進(jìn)行了進(jìn)一步的改進(jìn),其在entry flow過(guò)程中將所有stride=2的max pooling結(jié)構(gòu)替換為stride=2的Sep Conv。這種結(jié)構(gòu)替換并不影響網(wǎng)絡(luò)的性能,但是由于深度特征圖的尺寸較小,不利于語(yǔ)義分割網(wǎng)絡(luò)的訓(xùn)練,所以,DeeplabV3+在使用Xception網(wǎng)絡(luò)時(shí),將最后一個(gè)stride=2的Sep Conv的stride設(shè)定為1。并且,其在每個(gè)3×3的depthwise separable convolution的后面都加上了BN(batch normalization)和Relu,重復(fù)8次改為16次,目的是為了在訓(xùn)練時(shí)增加訓(xùn)練次數(shù),以此來(lái)提高訓(xùn)練模型的精確度。

1.3 ASPP模塊

ASPP模塊是在DeeplabV2時(shí)被提出來(lái)的,其主要作用是用于提取圖像的多尺度語(yǔ)義特征,因?yàn)槠鋬?yōu)秀的結(jié)果表現(xiàn),被廣泛地用于圖像語(yǔ)義分割的多尺度特征提取部分。

ASPP模塊由1個(gè)1×1的卷積、3個(gè)3×3的空洞卷積和1個(gè)全局平均池化組成,其中3個(gè)3×3的空洞卷積分別有不同的膨脹率,膨脹率較小的卷積核適合分割較小的目標(biāo),膨脹率較大的卷積核適合分割較大的目標(biāo)。當(dāng)膨脹率增大時(shí),其卷積核的作用也會(huì)逐漸減少,當(dāng)膨脹卷積尺寸與特征圖尺寸一樣時(shí),3×3卷積作用效果就變成了1×1卷積,只有卷積和中心起作用。圖2紫色立方體是經(jīng)過(guò)Xception網(wǎng)絡(luò)得到的1/16大小的特征圖,將其在ASPP模塊中分別進(jìn)行了1次1×1卷積、3次膨脹率分別為6、12、18的3×3空洞卷積和1次全局平均池化,得到了5個(gè)為1/16大小的不同的特征圖,然后對(duì)這5個(gè)特征圖進(jìn)行融合,獲得高級(jí)特征圖,再經(jīng)過(guò)1次1×1的卷積恢復(fù)其通道數(shù),輸入解碼器。

圖2 空洞空間金字塔池化模塊

2 本文方法

DeeplabV3+是目前較為優(yōu)秀的語(yǔ)義分割模型之一,但其仍然存在一些不足之處。首先,其目標(biāo)語(yǔ)義分割存在空洞、誤判以及對(duì)細(xì)小目標(biāo)的漏判問(wèn)題。其次,在編碼器的Xception骨干網(wǎng)絡(luò)和ASPP模塊進(jìn)行了多次卷積,參數(shù)量龐大,訓(xùn)練時(shí)長(zhǎng)過(guò)長(zhǎng),網(wǎng)絡(luò)收斂速度慢。最后,在使用原始DeeplabV3+網(wǎng)絡(luò)進(jìn)行訓(xùn)練后,發(fā)現(xiàn)對(duì)于尺寸小的目標(biāo)分割效果較差。針對(duì)原始網(wǎng)絡(luò)以上的不足之處,本文進(jìn)行了以下改進(jìn):首先對(duì)Xception骨干網(wǎng)絡(luò)和ASPP模塊進(jìn)行了一定的改進(jìn),其次在模型訓(xùn)練過(guò)程中融入了遷移學(xué)習(xí)的思路。

改進(jìn)后的DeeplabV3+模型仍然分為編碼器和解碼器兩部分。改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 本文改進(jìn)的DeeplabV3+模型結(jié)構(gòu)

2.1 Xception網(wǎng)絡(luò)改進(jìn)

本文改進(jìn)的Xception網(wǎng)絡(luò)是在Dai改進(jìn)的Xception網(wǎng)絡(luò)的基礎(chǔ)上再對(duì)輸入層進(jìn)行改進(jìn),其結(jié)構(gòu)如圖4所示。在輸入流的每個(gè)小模塊的最前面增加了一個(gè)1×1的卷積來(lái)降低維度,然后再通過(guò)3×3卷積提取特征,再通過(guò)一個(gè)1×1卷積恢復(fù)維度[12]。通過(guò)以上改進(jìn),既可以使得各個(gè)通道的特征都得到充分的學(xué)習(xí),提高模型精度,也可以減少參數(shù)量,減少模型訓(xùn)練時(shí)間。

圖4 本文改進(jìn)的Xception輸入層結(jié)構(gòu)

2.2 ASPP模塊改進(jìn)

ASPP模塊的主要原理是利用不同膨脹率的空洞卷積,進(jìn)而獲取到多尺度的語(yǔ)義特征信息。ASPP模塊中進(jìn)行了3次不同膨脹率的空洞卷積,不同的膨脹率,對(duì)于不同尺度的目標(biāo)分割效果不同?；谠糄eeplabV3+網(wǎng)絡(luò)對(duì)小尺度目標(biāo)分割效果不理想的問(wèn)題,本文改進(jìn)后的ASPP共有4個(gè)不同膨脹率的空洞卷積,膨脹率分別為2、4、8、16,增加小膨脹率的空洞卷積以增強(qiáng)對(duì)小尺度目標(biāo)的分割能力。其次,由于3×3的空洞卷積容易學(xué)習(xí)一些冗余信息,參數(shù)量較大,訓(xùn)練時(shí)長(zhǎng)較長(zhǎng),針對(duì)這一問(wèn)題,在保證不降低原始網(wǎng)絡(luò)的語(yǔ)義信息提取效果的前提下,本文將3×3的空洞卷積進(jìn)行了分解,將其分解為3×1和1×3的卷積,使得參數(shù)量較原3×3卷積降低了三分之一,參數(shù)計(jì)算量得到有效的減少,在速度上也得到一定的提升。

2.3 遷移學(xué)習(xí)

遷移學(xué)習(xí)是機(jī)器學(xué)習(xí)技術(shù)其中的一種,其原理是在一個(gè)特定的數(shù)據(jù)集上,訓(xùn)練過(guò)的卷積神經(jīng)網(wǎng)絡(luò)被重新改造或遷移到另一個(gè)不同的數(shù)據(jù)集中。重復(fù)使用訓(xùn)練過(guò)的卷積神經(jīng)網(wǎng)絡(luò),主要原因是訓(xùn)練數(shù)據(jù)通常需要花費(fèi)很長(zhǎng)的時(shí)間[13]。通常來(lái)說(shuō),遷移學(xué)習(xí)包含兩種策略。第一,微調(diào),包括在基礎(chǔ)數(shù)據(jù)集上使用預(yù)訓(xùn)練網(wǎng)絡(luò),并在目標(biāo)數(shù)據(jù)集上訓(xùn)練所有層。第二,凍結(jié)和訓(xùn)練,包括僅凍結(jié)并訓(xùn)練最后一層,其他層不變,也可以?xún)鼋Y(jié)前幾層,微調(diào)其他層,這是因?yàn)橛行┳C據(jù)表明CNN的前幾層有紋理濾鏡和彩色斑點(diǎn)[14]。

本文使用的遷移學(xué)習(xí)策略為凍結(jié)和訓(xùn)練策略。在凍結(jié)階段,將模型的主干凍結(jié),特征提取網(wǎng)絡(luò)不發(fā)生改變,僅對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào),訓(xùn)練速度快,花費(fèi)時(shí)間較少;在訓(xùn)練階段,解凍模型主干網(wǎng)絡(luò),特征提取網(wǎng)絡(luò)和網(wǎng)絡(luò)所有的參數(shù)都會(huì)發(fā)生改變,訓(xùn)練變緩,花費(fèi)時(shí)間較多。通過(guò)融入遷移學(xué)習(xí),提高訓(xùn)練效率、縮短訓(xùn)練時(shí)間。

3 數(shù)據(jù)預(yù)處理

3.1 樣本制作

本文使用的數(shù)據(jù)集來(lái)自于資源三號(hào)01、02星,選取多光譜和全色影像共計(jì)1 500張,利用Photoshop進(jìn)行人工勾畫(huà),標(biāo)注云矢量樣本,然后使用MATLAB算法對(duì)樣本進(jìn)行填充,生成二值圖標(biāo)簽。云檢測(cè)數(shù)據(jù)標(biāo)簽示例如圖5所示。

圖5 云檢測(cè)數(shù)據(jù)標(biāo)簽樣例

3.2 數(shù)據(jù)增廣

由于深度學(xué)習(xí)需要大量的標(biāo)簽做為樣本,標(biāo)簽的數(shù)量以及標(biāo)簽對(duì)目標(biāo)地物勾畫(huà)的精確度都對(duì)所訓(xùn)練出的模型分割的準(zhǔn)確度產(chǎn)生明顯的影響,所以為了提高模型的精度,需要大量的標(biāo)簽來(lái)提高神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)地物特征的學(xué)習(xí)。由于深度學(xué)習(xí)標(biāo)簽的制作耗時(shí)耗力,針對(duì)這一問(wèn)題,本文在保證標(biāo)簽類(lèi)型和質(zhì)量的前提下,對(duì)原標(biāo)簽進(jìn)行數(shù)據(jù)增廣,增廣效果如圖6所示,以此來(lái)減少人工制作標(biāo)簽的成本,并且可以提高模型的泛化能力。本文采取的數(shù)據(jù)增廣的方法主要有以下幾種。

圖6 云數(shù)據(jù)增廣方法與樣例

1)對(duì)比度調(diào)節(jié)。對(duì)比度調(diào)節(jié)其實(shí)是對(duì)畫(huà)面亮度信息做處理,其主要目的是提高畫(huà)面明暗對(duì)比度和增強(qiáng)畫(huà)面的整體均衡度。

2)增加噪聲。通過(guò)增加噪聲來(lái)模擬影像的成像過(guò)程,適當(dāng)增加噪聲可以增強(qiáng)學(xué)習(xí)能力。

3)通過(guò)旋轉(zhuǎn)、翻轉(zhuǎn)擴(kuò)充數(shù)據(jù)。通過(guò)對(duì)圖像進(jìn)行旋轉(zhuǎn)和翻轉(zhuǎn)來(lái)改變特征的位置,對(duì)于模型來(lái)說(shuō)就是不同的數(shù)據(jù)。旋轉(zhuǎn)或翻轉(zhuǎn)操作是擴(kuò)充圖像數(shù)據(jù)集的一個(gè)簡(jiǎn)單有效的方法。

4)部分置黑。

5)縮放。實(shí)現(xiàn)圖片放大或者縮小功能。通過(guò)在原始中稍微改動(dòng)一些截取的區(qū)域,增加或者減少背景,最終將這些數(shù)據(jù)調(diào)整到規(guī)定的訓(xùn)練數(shù)據(jù)大小。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)環(huán)境

基于Windows10操作系統(tǒng),顯卡型號(hào)為NVIDIA Quadro P6000,顯卡容量為24 GB,采用的深度學(xué)習(xí)框架為Pytorch,Pytorch-gpu版本為1.12.0,用于加速深度學(xué)習(xí)網(wǎng)絡(luò)的CUDA和CUDNN版本分別為10.0和v7.4.1.5。

4.2 實(shí)驗(yàn)數(shù)據(jù)集

本文所選原始影像為資源01和02星影像,影像原始大小為1 107像素×1 122像素,由于受計(jì)算機(jī)硬件條件的限制,將影像裁剪為513像素×513像素大小進(jìn)行訓(xùn)練,將經(jīng)過(guò)數(shù)據(jù)增廣的原始影像裁剪后挑選出了16 619張影像。由于云與某些雪、水體、冰面、高亮地物等的地物特征具有較高的相似性,本文數(shù)據(jù)集中增加一定數(shù)量的負(fù)樣本,正負(fù)樣本比例為5∶1,訓(xùn)練集和驗(yàn)證集的比例為9∶1。

4.3 評(píng)價(jià)指標(biāo)

為了定量評(píng)價(jià)本文所改進(jìn)的云檢測(cè)的模型效果,使用語(yǔ)義分割中常用的評(píng)價(jià)指標(biāo)準(zhǔn)確率(accuracy)、精確率(precision)、召回率(recall)、平均交并比(MIoU)4項(xiàng)指標(biāo)定量評(píng)價(jià)云識(shí)別結(jié)果[15]。

4.4 不同網(wǎng)絡(luò)實(shí)驗(yàn)對(duì)比

本文所有實(shí)驗(yàn)參數(shù)設(shè)置均相同,具體參數(shù)設(shè)置為:學(xué)習(xí)率為5E-6,批量大小為8,迭代次數(shù)為200。共設(shè)計(jì)了4組實(shí)驗(yàn),第1組為傳統(tǒng)的DeeplabV3+模型,第2組為PSPnet模型,第3組為Unet模型,第4組為本文方法。對(duì)4種模型進(jìn)行訓(xùn)練,各模型通過(guò)測(cè)試集的精度評(píng)價(jià)指標(biāo)如表1所示。可以看出,在本文數(shù)據(jù)集上,本文模型相比于傳統(tǒng)DeeplabV3+模型準(zhǔn)確率提高了3.34%,平均交并比提高了5.39%,相比于PSPnet模型召回率提高了6.84%,相比于UNet模型精確率提高了4.83%。通過(guò)對(duì)4個(gè)精度評(píng)價(jià)指標(biāo)對(duì)比,本文模型最優(yōu)。實(shí)驗(yàn)結(jié)果對(duì)比如圖7所示。由圖7可知,本文所采用4組實(shí)驗(yàn)中對(duì)紋理特征明顯的云檢測(cè)精度基本相當(dāng),但是在有雪、水體以及高亮地物等干擾因素的復(fù)雜背景的影像上檢測(cè)精度存在差異,傳統(tǒng)DeeplabV3+模型與UNet模型都對(duì)雪存在一定的誤判,PSPnet模型分割邊緣比較平滑,但是對(duì)目標(biāo)較小的云存在漏判。與前3種方法相比,本文方法對(duì)雪、水體和高亮地物的誤判比較少,對(duì)于檢測(cè)結(jié)果影響不大,對(duì)薄云和目標(biāo)較小的云識(shí)別較好,整體提取完整,相比與其他3種方法,云檢測(cè)精度有所提高。

表1 實(shí)驗(yàn)結(jié)果對(duì)比

圖7 實(shí)驗(yàn)結(jié)果對(duì)比圖

4.5 消融實(shí)驗(yàn)

為了驗(yàn)證本文對(duì)Xception骨干網(wǎng)絡(luò)、ASPP模塊的改進(jìn)以及融入遷移學(xué)習(xí)的必要性,設(shè)計(jì)了7組方案進(jìn)行消融實(shí)驗(yàn)。

方案1:使用傳統(tǒng)的DeeplabV3+網(wǎng)絡(luò),在保持其他地方不做改進(jìn)的基礎(chǔ)上針對(duì)Xception網(wǎng)絡(luò)進(jìn)行改進(jìn)。

方案2:使用傳統(tǒng)的DeeplabV3+網(wǎng)絡(luò),在保持其他地方不做改進(jìn)的基礎(chǔ)上針對(duì)ASPP模塊進(jìn)行改進(jìn)。

方案3:使用傳統(tǒng)的DeeplabV3+網(wǎng)絡(luò),在保持其他地方不做改進(jìn)的基礎(chǔ)上只融入遷移學(xué)習(xí)。

方案4:在方案一的基礎(chǔ)上對(duì)ASPP模塊進(jìn)行改進(jìn)。

方案5:在方案一的基礎(chǔ)上融入遷移學(xué)習(xí)。

方案6:在方案二的基礎(chǔ)上融入遷移學(xué)習(xí)。

方案7:本文實(shí)驗(yàn)方法。

為了定量評(píng)價(jià)模型效果,消融實(shí)驗(yàn)除了使用準(zhǔn)確率、精確率、召回率、平均交并比這4項(xiàng)語(yǔ)義分割模型常用的標(biāo)準(zhǔn)評(píng)價(jià)指標(biāo)外,還增加了兩個(gè)時(shí)間指標(biāo),分別為訓(xùn)練時(shí)長(zhǎng)和單張影像預(yù)測(cè)時(shí)長(zhǎng)。

由表2消融實(shí)驗(yàn)結(jié)果可得,方案1相比于傳統(tǒng)DeeplabV3+,精確率提升了2.05%,MIoU提高了2.6%,訓(xùn)練時(shí)間有一定縮減,說(shuō)明改進(jìn)Xception網(wǎng)絡(luò)可以提高模型的精確率,并且可以提高訓(xùn)練效率。方案2相比于傳統(tǒng)DeeplabV3+,召回率提高了2.84%,說(shuō)明改進(jìn)ASPP模塊可以提高模型的召回率。方案3相對(duì)于傳統(tǒng)DeeplabV3+模型4項(xiàng)精度評(píng)價(jià)指標(biāo)相當(dāng),但訓(xùn)練時(shí)長(zhǎng)明顯縮短,說(shuō)明加入ASPP模塊可以在不影響精度的前提下大量縮短訓(xùn)練時(shí)間。方案7相比于前6個(gè)方案,在準(zhǔn)確率、精確率、召回率、平均交并比提升更為明顯,相比于傳統(tǒng)DeeplabV3+模型,準(zhǔn)確率提高了3.34%,精確率提高了3.78%,召回率提高了4.47%,平均交并比提高了5.39%,且訓(xùn)練時(shí)長(zhǎng)和預(yù)測(cè)時(shí)長(zhǎng)也有明顯的減少,說(shuō)明在改進(jìn)Xception網(wǎng)絡(luò)和ASPP模塊并且融入遷移學(xué)習(xí)模塊的情況下,模型精度和訓(xùn)練速度得到了明顯提升。消融實(shí)驗(yàn)對(duì)比結(jié)果如圖8所示。由圖8可知,本文設(shè)計(jì)的7組消融實(shí)驗(yàn)中方案7的精度最高。

表2 消融實(shí)驗(yàn)結(jié)果對(duì)比

圖8 消融實(shí)驗(yàn)結(jié)果對(duì)比圖

5 結(jié)束語(yǔ)

針對(duì)現(xiàn)有的云檢測(cè)時(shí)存在誤判漏判的問(wèn)題,本文提出了一種基于改進(jìn)傳統(tǒng)的DeeplabV3+網(wǎng)絡(luò)的云檢測(cè)模型,旨在更準(zhǔn)確、快速、高效地檢測(cè)遙感影像中的云。本文通過(guò)對(duì)Xception網(wǎng)絡(luò)的每個(gè)輸入流前增加1×1卷積來(lái)降維,然后通過(guò)3×3卷積,之后在輸出前通過(guò)1×1卷積恢復(fù)維度,以及對(duì)ASPP模塊的3×3的膨脹卷積進(jìn)行2D拆解,以此來(lái)達(dá)到降低冗余、縮減參數(shù)的目的,最后通過(guò)融入遷移學(xué)習(xí)的方法,來(lái)提高本文模型的效率與速度;通過(guò)改變ASPP模塊膨脹卷積的膨脹率,來(lái)提高本文模型對(duì)不同尺寸的云的檢測(cè)。通過(guò)與其他網(wǎng)絡(luò)模型進(jìn)行對(duì)比,本文模型準(zhǔn)確率和精確率更高,訓(xùn)練速度更快。