摘要
公路作为带动区域经济发展的重要基础设施之一，对国民经济的发展具有重要作用。随着国家对交通强国的大力推进，遥感技术被用于公路沿线的环境监测。遥感图像语义分割可以帮助工作人员更好地掌握该公路沿线的地物，帮助开展公路沿线环境的动态监测及其安全分析工作，对于对地观测、环境监测以及灾害预警具有重要作用。近年来，基于深度学习的图像语义分割方法能够高效、准确地获取到所需要的图像语义信息，具有巨大的实用价值。然而，由于公路沿线遥感图像数据集的背景复杂，导致现有的语义分割模型出现边界轮廓粗糙、错分割、漏分割等现象；而且这类方法需要大量的样本标注，这对语义分割任务来说存在挑战。显然公路建设具有覆盖地域广，路线长的特点，不同地区的公路以及同一条公路的不同局部路段地物存在差异，例如城市、乡村、集镇等一些人口较多，建筑物密集的地区和有些人迹罕至，以树木荒地、戈壁为主的偏僻地区，它们对地物的分割精度要求不同。基于此，本文利用生成对抗网络(GenerativeAdversarialNetwork简称GAN)实现全监督学习图像语义分割与半监督学习图像语义分割。论文的主要工作与创新包含以下三个方面： （1）基于改进Pix2Pix的遥感图像语义分割。在处理细节地物分割精度要求高的区域，采用监督学习模型Pix2Pix实现语义分割。针对经典的Pix2Pix模型的分割网络在下采样操作造成的细节信息丢失，进而导致分割精度下降的问题，本文进行如下改进。首先，在编码阶段的末尾连接空洞空间卷积池化金字塔(AtrousSpatialPyramidPooling，ASPP)模块，以多个比例捕捉对象以及图像上下文，引入空间注意力机制(SpatialAttentionMechanisms，SAM)对地物边缘细节信息进行增强，提高网络模型对地物的分割能力。 （2）基于改进循环一致性生成对抗网络(Cycle-ConsistentGenerativeAdversarialNetworks，CycleGAN)的半监督遥感图语义分割。对于人迹罕至地物单一的偏僻地区，采用半监督学习的图像语义分割。首先对每一个特征提取阶段的卷积层后引入SAM用来增强特征提取能力，再在特征提取的最后连接ASPP去抓取多尺度信息，并采用半监督训练方法进行训练。使用较少的训练数据，改善模型的分割精度，大大降低了打标签所消耗的时间及人力成本。 （3）公路沿线语义分割系统设计与实现。从系统的业务性、功能性、性能等方面进行需求分析，在此基础上分别对前端和后端采用layUI框架和SpringMVC+Spring+Mybatis框架设计并实现了数据导入、图像分割、分割结果统计、分割结果上报、审批、审批状态跟踪等功能，公路沿线语义分割系统操作简便、性能稳定，具有较高的实用价值。 实验结果表明，本文方法有效提升了语义分割的精度，缓解了对公路沿线地物的错分割、漏分割以及边缘分割模糊的问题。对公路沿线的环境地物分割更精准，同时应用到系统中，较好的改善公路沿线环境监测效率。
NETL