摘要
随着遥感技术的快速发展，它已经广泛应用于生产和生活中，因此对于处理遥感图像的技术需求也越来越大。传统方法构建的遥感图像语义分割模型，需经过复杂的设计和参数调整，且在面对新的数据时泛化能力较弱。目前，大部分遥感图像分割使用了深度学习技术，尤其是在现代科技迅速发展的背景下，该技术应用前景广阔。深度学习技术具有自动学习的能力，可以通过大量数据自适应地调整模型参数，从而提高遥感图像语义分割的准确性和效率。随着深度学习技术不断发展，其在人工智能、机器视觉等领域也不断取得重大突破，为遥感图像处理带来了更多的可能性和挑战。本文的研究重点在于探讨以下两个方面的问题: (1)针对遥感图像中存在类别不均衡现象，常规的损失函数会产生总体精度高而小类别精度低的问题，本文提出一种LovaszLoss与FocalLoss结合的损失函数，可实现遥感图像不均衡类别语义分割。该损失函数分别计算LovaszLoss和FocalLoss,以二者的总和作为损失值进行梯度下降算法。它既可优化交并比(IntersectionoverUnion,IoU)评价指标，又能根据训练效果动态调整各类别权值提高小类别的精度，且损失函数的收敛相对平滑。选取林地分类应用场景和mIoU、平均准确率指标，比较DiceLoss损失函数、LovaszLoss损失函数、交叉熵损失函数、FocalLoss损失函数及LovaszLoss+FocalLoss训练DeepLabv3+网络的语义分割模型。结果表明，基于多类别LovaszLoss+FocalLoss损失函数的语义分割模型达到最优的效果，mIoU和平均准确率分别提高0.8％和0.33％,因此有利于提高mIoU,并改善类别不平衡问题。 (2)大多数深度学习遥感图像语义分割方法是基于卷积神经网络(CNN)的。近来，Transformer模型提供了一种处理图像长距离依赖性的新视角。本研究提出了RCCT-ASPPNet,它包括基于Transformer的多尺度残差通道式交叉融合(RCCT)和空洞空间金字塔池化(ASPP)的双编码器结构。RCCT使用Transformer交叉融合全局多尺度语义信息，然后使用残差结构连接输入和输出。基于CNN的ASPP从不同角度提取高层语义的上下文信息，并使用卷积注意模块(CBAM)提取空间和通道信息。实验结果表明，RCCT-ASPPNet在数据集Farmland和AeroScapes上的mIoU分别为94.14％和61.30％,mPA分别为97.12％和84.36％,均优于DeepLabv3+和UCTransNet。
NETL