摘要
现如今,越来越多的遥感卫星广泛地用于监测地质环境、气候环境以及人类活动环境的变化,对遥感图像的处理和分析也越来越重要,其中的一种重要研究方向便是遥感图像的语义分割.然而,由于遥感图像多波段及地貌特征的复杂性,基于传统方法的语义分割方法并不能有效地处理遥感图像.随着近年来深度学习的发展,为遥感图像的处理分析带来新的思路,通过训练端到端的卷积神经网络模型能够快速地对遥感图像的地貌类别进行分类.本文提出了一种基于卷积神经网络的多重亲和图监督并预测的网络,利用骨干网络提取遥感图像不同深度的语义特征,并对相应的特征进行亲和图预监督,最后整合不同深度的预测结果,能够增强长短距离像素的特征表示,实现有效的语义分割.此外,使用不同数据集进行实验,对比了常见的深度学习语义分割方法.实验结果表明,本文提出的方法能够有效提升遥感图像语义分割的精度.
NETL
NSTL
维普
万方数据