首页|弱监督深度语义分割网络的多源遥感影像水体检测

弱监督深度语义分割网络的多源遥感影像水体检测

Weakly supervised deep semantic segmentation network for water body extraction based on multi-source remote sensing imagery

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
目的 深度语义分割网络的优良性能高度依赖于大规模和高质量的像素级标签数据.在现实任务中,收集大规模、高质量的像素级水体标签数据将耗费大量人力物力.为了减少标注工作量,本文提出使用已有的公开水体覆盖产品来创建遥感影像对应的水体标签,然而已有的公开水体覆盖产品的空间分辨率低且存在一定错误.对此,提出采用弱监督深度学习方法训练深度语义分割网络.方法 在训练阶段,将原始数据集划分为多个互不重叠的子数据集,分别训练深度语义分割网络,并将训练得到的多个深度语义分割网络协同更新标签,然后利用更新后的标签重复前述过程,重新训练深度语义分割网络,多次迭代后可以获得好的深度语义分割网络.在测试阶段,多源遥感影像经多个代表不同视角的深度语义分割网络分别预测,然后投票产生最后的水体检测结果.结果 为了验证本文方法的有效性,基于原始多源遥感影像数据创建了一个面向水体检测的多源遥感影像数据集,并与基于传统的水体指数阈值分割法和基于低质量水体标签直接学习的深度语义分割网络进行比较,交并比(intersection-over-union,IoU)分别提升了5.5％和7.2％.结论 实验结果表明,本文方法具有收敛性,并且光学影像和合成孔径雷达(synthetic aperture radar,SAR)影像的融合有助于提高水体检测性能.在使用分辨率低、噪声多的水体标签进行训练的情况下,训练所得多视角模型的水体检测精度明显优于基于传统的水体指数阈值分割法和基于低质量水体标签直接学习的深度语义分割网络.

李鑫伟、李彦胜、张永军

展开 >

武汉大学遥感信息工程学院,武汉 430079

水体检测 多源遥感影像 低分辨率噪声标签 弱监督深度语义分割网络

国家自然科学基金国家自然科学基金

4203010241971284

2021

中国图象图形学报
中国科学院遥感应用研究所,中国图象图形学学会 ,北京应用物理与计算数学研究所

中国图象图形学报

CSTPCDCSCD北大核心
影响因子：1.111
ISSN：1006-8961
年,卷(期)：2021.26(12)
  • 4
  • 11