深度学习高分辨率遥感影像语义分割

深度学习大家都知道，在计算机视觉领域取得了很大的成功，在遥感影像自动解译方面，同样带来了快速的发展，我在遥感影像自动解译领域，也做了一些微薄的工作，发表几篇论文，我一直关注遥感影像自动解译领域，

在北京出差的这段时间，终于可以沉下心来，好好研究下深度学习，目前在语义分割领域，也有部分心得，在此同大家分享，权当是互相学习。本篇博文就是论述现有的state-of-art方法在遥感影像语义分割领域的进展，及以后的发展方向！

首先不多说，我采用当前效果表现最稳定、精度较高的几种语义分割网络进行讲述：1.unet网络；2.Deeplab网络（mobile特征提取器，resnet18特征提取器，resnet50特征提取器，Inceptionv3特征提取器等）；3.CEnet。

下面我对这几种网络进行简单的讲解，单纯作为抛砖引玉，如有个别不当的地方，

1.unet网络

unet网络由于形状像一个u型，因此称为Unet网络，关于它的资料，大家可以在CSDN的一篇博客找到，介绍的论文太多我就不细讲了！

它的形状如下图所示：

图1 unet语义分割网络（参考unetCSDN博客）

从它的形状，我们可以看出，非常优美，这是原版论文的架构，我们可以在这个基础上进行大量的改进，比如说，特征提取块，我们可以采用残差网络（resnet）进行替换，这有什么好处呢？主要是可以加深网络，在防止梯度消失的同时，

可以学习到更深层次的特征，有利于提高精度。我看了几个版本的代码，在特征融合层，大家普遍采用两种方式，第一种直接相加，即将编码层与解码层特征直接相加，另外一种就是常用的concat，关于这两种有什么优缺点，我个人的理解是，

concat可以融合更多特征，其实说白了就是以前的向量相加（vector stacking），效果好的同时，GPU的显存肯定要消耗大；而对于特征相加的方式，直观的表现就是节省GPU显存，但是呢，是否比concat更好呢？我这里没有做实验，大家可以

跑跑代码试试！

2.Deeplab网络

图3 DeeplabV3plus语义分割网络（参考原作者论文）

其实从Deeplab的网络可以看出，这个网络简单优美，没有那么多复杂的组合等等，最核心的东西就是四个空洞卷积块，卷积核的大小分别是1 6 12 18，关于作者为什么只用这四个参数呢，作者也只是用实验进行了说明，

证明了用这四个参数可以获得最高的精度，另外一种解析就是，不同大小的空洞卷积核可以感受不同范围的特征。第二个比较重要的地方，就是与四倍采样大小的特征进行concat，这个比较重要，它融合了编码层与解码层的

特征，从本质上来说，这个其实就是unet的变种，但是你可以自定义特征提取网络，例如我这里实现了mobilenet、inceptionv3，resnet18，resnet50等四种经典的特征提取网络。

关于DeeplabV3 里面的关键部分ASPP（空间金字塔池化），核心代码实现如下：

% 创建空洞卷积空间金字塔网络，Deeplab的核心算法部分
function LayerGraph = ASPP_layer(LayerGraph)
% 创建ASPP层
dilate_size2 = 6;
dilate_size3 = 12;
dilate_size4 = 18;% 尺度1空洞卷积层
convLayer_scale1 = convolution2dLayer(1,256,...  % 1*1,原文为256个卷积核'Padding','same',...'BiasL2Factor',0,...'Name','convLayer_scale1');% convLayer_scale1 = groupedConvolution2dLayer(1,1,40,'Padding','same', 'Name','convLayer_scale1');bn_scale1 = batchNormalizationLayer('Name','bn_scale1');
% relu_scale1 = clippedReluLayer(6,'Name','relu_scale1');
relu_scale1 = reluLayer('Name','relu_scale1');
scale_net1 = [convLayer_scale1;bn_scale1;relu_scale1];% 尺度2空洞卷积层
convLayer_scale2 = convolution2dLayer(3,256,...'Padding','same',...'DilationFactor', dilate_size2,...'BiasL2Factor',0,...'Name','convLayer_scale2');% convLayer_scale2 = groupedConvolution2dLayer(3,1,40,'Padding','same', 'DilationFactor', dilate_size2, 'Name','convLayer_scale2');bn_scale2 = batchNormalizationLayer('Name','bn_scale2');
% relu_scale2 = clippedReluLayer(6,'Name','relu_scale2');
relu_scale2 = reluLayer('Name','relu_scale2');
scale_net2 = [convLayer_scale2;bn_scale2;relu_scale2];% 尺度3空洞卷积层
convLayer_scale3 = convolution2dLayer(3,256,...'Padding','same',...'DilationFactor', dilate_size3,...'BiasL2Factor',0,...'Name','convLayer_scale3');% convLayer_scale3 = groupedConvolution2dLayer(3,1,40,'Padding','same', 'DilationFactor', dilate_size3, 'Name','convLayer_scale3');bn_scale3 = batchNormalizationLayer('Name','bn_scale3');
% relu_scale3 = clippedReluLayer(6,'Name','relu_scale3');
relu_scale3 = reluLayer('Name','relu_scale3');
scale_net3 = [convLayer_scale3;bn_scale3;relu_scale3];% 尺度4空洞卷积层
convLayer_scale4 = convolution2dLayer(3,256,...'Padding','same',...'DilationFactor', dilate_size4,...'BiasL2Factor',0,...'Name','convLayer_scale4');% convLayer_scale4 = groupedConvolution2dLayer(3,1,40,'Padding','same', 'DilationFactor', dilate_size4, 'Name','convLayer_scale4');bn_scale4 = batchNormalizationLayer('Name','bn_scale4');
% relu_scale4 = clippedReluLayer(6,'Name','relu_scale4');
relu_scale4 = reluLayer('Name','relu_scale4');
scale_net4 = [convLayer_scale4; bn_scale4; relu_scale4];% 组合原来的layer
LayerGraph = addLayers(LayerGraph, scale_net1);
LayerGraph = addLayers(LayerGraph, scale_net2 );
LayerGraph = addLayers(LayerGraph, scale_net3);
LayerGraph = addLayers(LayerGraph, scale_net4);LayerGraph = connectLayers(LayerGraph, 'mixed10', 'convLayer_scale1');
LayerGraph = connectLayers(LayerGraph, 'mixed10', 'convLayer_scale2');
LayerGraph = connectLayers(LayerGraph, 'mixed10', 'convLayer_scale3');
LayerGraph = connectLayers(LayerGraph, 'mixed10', 'convLayer_scale4');catFeature4 = depthConcatenationLayer(4,'Name',"dec_cat_aspp");  % 融合多特征
LayerGraph = addLayers(LayerGraph, catFeature4);
LayerGraph = connectLayers(LayerGraph, 'relu_scale1', 'dec_cat_aspp/in1');
LayerGraph = connectLayers(LayerGraph, 'relu_scale2', 'dec_cat_aspp/in2');
LayerGraph = connectLayers(LayerGraph, 'relu_scale3', 'dec_cat_aspp/in3');
LayerGraph = connectLayers(LayerGraph, 'relu_scale4', 'dec_cat_aspp/in4');% 卷积层降低参数个数
convLayer_input = convolution2dLayer(1,256,...  % 1*1卷积就是为了降低参数个数'Stride',[1 1],...'Padding',1,...'BiasL2Factor',0,...'Name','Conv_block16');
bn_layer1 = batchNormalizationLayer('Name','bn_block16');
% relu_layer1 = clippedReluLayer(6,'Name','relu_block16');
relu_layer1 = reluLayer('Name','relu_block16');con_net = [convLayer_input; bn_layer1; relu_layer1];LayerGraph = addLayers(LayerGraph, con_net);
LayerGraph = connectLayers(LayerGraph, 'dec_cat_aspp', 'Conv_block16');% 向上采样四倍
deconvLayer = transposedConv2dLayer(8,256,...   % 8*8'Stride',[4 4],... % 四倍大小'Cropping','same',...'BiasL2Factor',0,...'Name','deconv_1');decon_net = [deconvLayer;batchNormalizationLayer('Name','de_batch_1');reluLayer('Name','de_relu_1')];
%              clippedReluLayer(6,'Name','de_relu_1')];LayerGraph = addLayers(LayerGraph, decon_net);
LayerGraph = connectLayers(LayerGraph, 'relu_block16', 'deconv_1');end

这一段ASPP代码是我根据作者论文的原版实现，同时也参考了pytorch、keras、caffee等不同框架的实现代码，大家可以直接使用！

3.CEnet网络

图2 CEet语义分割网络（参考原作者论文）

CEnet这个网络主要是用到医学图像分割里面，发表在IEEE 的医学权威期刊，这个网络我第一眼就感觉特别熟悉，仔细一看，这不就是PSPnet的变种吗？后面组合了多个不同的最大池化层特征，前面组合了Deeplab里面的多尺度空洞卷积，

我觉得这里面比较有意思的地方在于，作者的空洞卷积核大小，由于血管比较小，因此作者的空洞卷积核并不大，最大只有5，这跟Deeplab的参数有较大的不同，作者这种设计网络的方式值得我们去学习，例如，我们只需要提取遥感影像上的

道路网络，我们是否真的需要那么的空洞卷积核呢？？不需要！因此我们应当针对遥感影像地物的特征，设计不同的网络参数，这样才能取得一个比较好的精度！（纯属个人思想，如有不当之处，请高手指正！phone：15211874660，Email：1044625113）

关于CEnet的全部代码实现，参见我的github网站（https://github.com/wzp8023391/CEnet，如果觉得好，请大家手动点个星星。。。）

4.其他网络

其他的语义分割网络，如PSPnet等网络，我这里不再多说，大家可以去看论文。回过头来看，大家有没有发现一个问题？就是目前所有的语义分割网络都是人工设计的！关于它表现的怎么样，谁知道呢，跑跑实验，行就行，不行就拉倒，

结果就出现了大量的“水”论文，（原谅我用了这个词，毕竟当年为了毕业，我也干了这种事），我举一个例子，CEnet里面的膨胀卷积+最大池化，为什么要设这个参数，为什么要这么干，作者其实自己并没有完全讲清楚，当然用实验证明也是

可以的，但是我们更讲究理论，这也是深度学习令人诟病的一个重点地方。手工设计的网络跟当年手工设计特征，何其相似！当然了大牛永远是大牛，LI feifei老师提出的auto Deeplearning我个人其实最看好的，下面就是一个自动化语义分割网络的

示例图，大家可以看看（CVPR2019 oral），这里面关键的地方就是自动寻找最优的网络组合，从而得到最优的语义分割网络，这个就非常有意思，这是以后语义分割一个指向灯！

图3 AutoDeeplab语义分割网络（参考原作者论文）

5.实验总结

我们以开源的全地物分类为例，对这几种经典的网络进行对比说明：

图4 原始真彩色高分辨率影像

图5 使用Inceptionv3作为特征提取的DeepLabv3+语义分割结果

图6 使用mobilenetv2作为特征提取的DeepLabv3+语义分割结果

从上面三个结果来看，Inceptionv3作为特征提取器要好于mobilenetv2网络，分割效率方面，mobilenet是Inception的三倍左右，效率还是非常高的。当然了，对于精度与效率是看大家的各自需求了！

原帖：https://www.cnblogs.com/wzp-749195/p/11114624.html

深度学习高分辨率遥感影像语义分割相关推荐

基于深度学习的遥感影像语义分割数据预处理
基于深度学习的遥感影像语义分割数据预处理第一次处理数据,不熟练,仅供参考数据预处理工具:Arcgis 第一步:下载遥感影像tif数据根据实际需求选择感兴趣的遥感影像区域数据来源:Google卫 ...
深度学习高遥感影像语义分割
深度学习遥感影像语义分割深度学习大家都知道,在计算机视觉领域取得了很大的成功,在遥感影像自动解译方面,同样带来了快速的发展,我在遥感影像自动解译领域,也做了一些微薄的工作,发表几篇论文,我一直关注遥 ...
【论文阅读】结合空洞卷积的 FuseNet变体网络高分辨率遥感影像语义分割
[论文阅读]结合空洞卷积的 FuseNet变体网络高分辨率遥感影像语义分割一.论文总体框架首先,采用 FuseNet变体网络将数字地表模型(digital surface model,DSM) ...
学习笔记-基于全局和局部对比自监督学习的高分辨率遥感图像语义分割-day2
高分辨率遥感图像语义分割-day2 摘要一.引言二.方法 2.1 对比学习 2.2 全局风格与局部匹配对比学习网络(GLCNet) 2.2.1 全局风格对比学习模块: 2.2.2局部匹配对比学习: ...
学习笔记-基于全局和局部对比自监督学习的高分辨率遥感图像语义分割-day1
基于全局和局部对比自监督学习的高分辨率遥感图像语义分割-day1 摘要一. 引言摘要最近,监督深度学习在遥感图像(RSI)语义分割中取得了巨大成功. 然而,监督学习进行语义分割需要大量的标记样本 ...
应用于语义分割问题的深度学习技术综述（语义分割综述）
应用于语义分割问题的深度学习技术综述基本介绍摘要 1 .引言 2.术语及背景概念 2.1 常见的深度网络架构 2.1.1 AlexNet 2.1.2 VGG 2.1.3 GoogLeNet 2.1 ...
【论文阅读】SCAttNet:具有空间和通道注意机制的高分辨率遥感图像语义分割网络
[论文阅读]SCAttNet:具有空间和通道注意机制的高分辨率遥感图像语义分割网络文章目录 [论文阅读]SCAttNet:具有空间和通道注意机制的高分辨率遥感图像语义分割网络一.总体介绍二.概述 ...
遥感识别1——遥感影像语义分割参考文献
语义分割与变化检测 1 背景综述 2 数据集制作 2.1 公开数据集 2.2 数据集制作 3 样本增强 4 模型构建 5 模型训练 6 模型预测 7 变化检测 8 结果后处理 9 工程案例参考文献: ...
论文笔记：基于深度学习的遥感影像变化检测综述
论文主要信息本篇博文主要是对该论文进行总结和翻译,如有错漏,欢迎指出.(目前仅对有监督学习部分进行了整理) 标题:Deep learning for change detection in remo ...

深度学习高分辨率遥感影像语义分割

深度学习高分辨率遥感影像语义分割相关推荐

最新文章

热门文章