首页|基于深度学习的无人机土地覆盖图像分割方法

基于深度学习的无人机土地覆盖图像分割方法

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
编制土地覆盖图需要包含精准类别划分的土地覆盖数据,传统获取方法成本高、工程量大,且效果不佳.提出一种面向无人机航拍图像的语义分割方法,用于分割不同类型的土地区域并分类,从而获取土地覆盖数据.首先,按照最新国家标准,对包含多种土地利用类型的航拍图像进行像素级标注,建立无人机高分辨率复杂土地覆盖图像数据集.然后,在语义分割模型DeepLabV3+的基础上进行改进,主要包括:将原始主干网络Xception+替换为深度残差网络ResNet+;引入联合上采样模块,增强编码器的信息传递能力;调整扩张卷积空间金字塔池化模块的扩张率,并移除该模块的全局池化连接;改进解码器,使其融合更多浅层特征.最后在本文数据集上训练和测试模型.实验结果表明,本文提出的方法在测试集上像素准确率和平均交并比分别为95.06％和81.22％,相比原始模型分别提升了14.55个百分点和25.49个百分点,并且优于常用的语义分割模型FCN-8S和PSPNet模型.该方法能够得到精度更高的土地覆盖数据,满足编制精细土地覆盖图的需要.
Deep Learning Based Unmanned Aerial Vehicle Landcover Image Segmentation Method

刘文萍、赵磊、周焱、宗世祥、骆有庆

展开 >

北京林业大学信息学院,北京100083

北京林业大学林学院,北京100083

无人机 语义分割 土地覆盖图像 深度学习 卷积神经网络

国家重点研发计划项目北京市科技计划项目中央高校基本科研业务费专项资金项目

2018YFD0600200Z1711000014170052015ZCQ-XX

2020

农业机械学报
中国农业机械学会 中国农业机械化科学研究院

农业机械学报

CSTPCDCSCD北大核心EI
影响因子：1.904
ISSN：1000-1298
年,卷(期)：2020.51(2)
  • 20
  • 14