自学习驱动下随机场与CNN协同的遥感影像语义分割

这是一篇关于遥感影像,CNN,Markov随机场,自学习,数据-知识双驱动,语义推断的论文, 主要内容为遥感技术的不断发展使得人们可以获得空间分辨率更高、波段更多、回访周期更短的遥感影像.充分利用遥感影像中的信息并对其进行精确分类,在精细农业、目标识别、灾害监测等领域均有着重要意义.近年来卷积神经网络(Convolutional Neural Networks,CNN)在遥感影像中广泛应用于语义分割,取得了巨大的成功.然而,在异质性的地球表层系统中,同类地物特征往往具有地域性,会随着区域的变化而发生改变,有些地物特征也会随时间变化而改变,这使得CNN在大区域上的应用表现不佳.并且CNN是一种数据驱动的模型,缺乏足够的数学理论做支撑,因此它还存在着模型可解释性差的问题.为了突破CNN面临的瓶颈,地学知识信息被用来辅助CNN模型进行语义推断.地学知识推理是指从地学知识图谱中地物目标实体概念间的关系出发,经过计算机推理,建立地物目标间的新关联,发现地学新知识.利用地学知识进行辅助推断,能弥补CNN模型可解释差的弱点,增强CNN在大区域上的应用表现.目前统计推理是常用的知识推理方法,而Markov随机场(Markov Random Field,MRF)是一种概率图模型,具有坚实的统计理论基础.它从统计学的角度来描述影像中空间上下文关系,利用似然函数和联合概率描述数据特征信息和地学知识推理,基于贝叶斯定理,通过最大化后验概率的方式优化语义分割结果.因此本文考虑借助MRF,将以数据为驱动的CNN方法和遥感影像中的地学知识进行联合建模,设计了两种随机场与CNN协同的数据-知识双模块驱动的语义分割算法,优化了语义分割结果.本文开展的研究如下:由于遥感影像中陆地物体空间分布的多样性,很难有效地学习一般的地理规律并将其应用于特定的影像.为了更有效地利用地理知识,本文的第一项工作提出了一种随机场与CNN协同的模型(SLU-CNN).该模型根据CNN的预测结果学习不同对象之间特定空间依存关系,并利用MRF将其与CNN的结果相结合,通过统计推断的方式进行语义推理.SLU-CNN主要涉及两个模块.首先,利用均值漂移算法从CNN提供的预测结果中生成推理单元.其次,通过自学习基于推理单元之间的空间依存关系,以建立特定的适应性地理关系.最后,选择对数函数将这种地理关系转化为一个自适应的各向异性矩阵,嵌入到一个基于对象的MRF模型中,用统计推断的方式,实现CNN结果与语义推理之间的协作.通过在高分2号和哨兵2号的数据集上进行实验,并与不同的CNN方法进行比较,验证了该方法的有效性.随着遥感影像的空间分辨率越来越高,里面包含的语义信息越来越丰富,只利用一层语义信息难以满足分割任务的需求.因此本文的第二项工作将前面的模型进行了拓展,设计了一个能处理包含双层语义信息遥感影像的算法(SLU-MLS-CNN).该算法设计一个具有双层语义结构的概率图模型并建立了一个混合标记场,以向量的形式建模双层语义,并设计了一种新的联合分布,来捕获混合标签场同一语义层内的各向异性空间相互作用,以及不同语义层间的各向异性空间相互作用,在高层语义信息和低层语义信息的交互迭代优化,最终为两个语义层都提供一个更优的预测结果.该方法在具有5类和15类两个语义层的高分2号数据集上进行实验,其结果验证了该方法的有效性.

基于深度学习的高分辨率遥感道路图像提取技术研究

这是一篇关于遥感影像,道路检测,U-Net,DSU-Net,注意力机制的论文, 主要内容为近年来,道路作为地物信息中的重要一环,获取到精准度高的遥感道路信息具有重要的价值意义。在高分辨率遥感道路图像的道路检测中,由于遥感图像的复杂性,传统的遥感道路图像道路检测方法获取到的道路完整度较差,而深度学习具有强大的特征提取能力,可以在一般的场合下有效地获取精准度较高的道路检测结果,但对复杂的城市道路和不连续的小型道路检测还有待于进一步研究。本文基于深度学习的方法构建高分辨率遥感道路提取模型,进行遥感道路信息的检测。具体研究工作如下:(1)针对于城市背景下道路网容易受到建筑物和绿化带遮挡导致提取的道路出现不连续、精准度低的问题,提出了一种基于改进U-Net网络的遥感道路提取方法。该方法由编码器、桥接网络、解码器三部分组成。首先在编码器中,改进的Res Net34网络结合了DO-Conv卷积和Leaky Re LU激活函数的优点,提高了对图像全局特征提取能力,加快了网络的训练过程。其次,设计了上下文提取模块来桥接编码器和解码器,减少了关键特征值的丢失。最后,在解码器中融合了CBAM注意力机制,更加全面的关注道路的信息,细化了道路边缘的提取效果。通过在Deep Globe数据集中实验结果表明,与主流的U-Net和EDRNet等网络模型对比,可以较好地提取出道路信息,提高了城市背景下的道路分割精度,验证了此方法的有效性。(2)针对于复杂场景下道路网会出现小型道路不连续、道路与周围环境呈现几何的相似性导致道路漏检和错误分类等问题。提出了基于DSU-Net网络的遥感道路提取方法。首先在编码器中,改进的Res Net50结合了SEnet注意力机制的优点,在图像特征提取阶段更加关注于图像的通道维度,依据每个特征通道维度关联性来获取道路图像关键特征,提升了编码网络的特征提取能力。其次,在桥接网络中设计了多尺度卷积提取模块,扩大图像的感受野,减少了特征信息的丢失。最后,设计了双解码器对不同维度信息进行提取,小解码器获取低维度特征信息,大解码器进行整合来自多尺度卷积模块传递的高维特征信息并整合小解码器的特征信息,提高了道路分类的精准度,优化了道路分类的效果。通过在Massachusetts道路数据集中和Deep Globe道路数据集中实验结果表明,该方法各项指标均优于其他的网络模型,所提出的方法解决了复杂场景下小尺寸道路边缘遮挡导致提取道路不连续、道路与周围环境呈现几何相似性导致误分类问题,验证了算法的有效性和普适性。

多源异构新型基础测绘资源库管理系统的开发与应用

这是一篇关于多源异构,新型基础测绘,矢量瓦片,遥感影像,Hadoop,HBase,Spark的论文, 主要内容为随着科技的快速发展和互联网技术的广泛普及,各行各业对地理空间信息数据的需求量与日俱增。基础测绘是实现地理空间信息测绘的重要标准,近年来,互联网、大数据等先进科技发展迅速,测绘行业正快速、全面地实现数字化、信息化,新型基础测绘应运而生,基础测绘必然会转型升级为新型基础测绘体系。随着“新型基础测绘”概念的提出,我国各省市对基础测绘资源库的建设和管理也随之提出了新的要求。新型基础测绘数据种类多、来源广、数据量大、数据结构标准不统一,传统技术手段无法实现对新型基础测绘数据的有效存储、高效管理与分发。针对上述问题,本文在新型基础测绘体系建设的背景下,以浙江省为例,面向多源、异构、海量的新型基础测绘数据,设计并实现了新型基础测绘资源库管理系统。本文的具体研究内容包括:1.综合利用关系型数据库、非关系型数据库和内存数据库,设计混合数据管理体系,实现了对海量、多源、异构的新型基础测绘数据的有效组织、存储与管理,确保了数据应用服务的高可用与高效性;2.采用Postgre SQL+Spring Boot+Redis的框架结构,实现浙江省地理空间数据的动态管理,在此基础上,进一步实现全省地理空间数据矢量瓦片聚合发布技术,实现省级地理空间数据服务的快速更新;3.基于Hadoop、HBase和Spark搭建遥感影像分布式处理平台,通过影像金字塔模型的构建实现了全省标准公里格网分幅遥感影像数据集的分布式并行切片,并使用该平台实现服务的自动发布。本文研究的新型基础测绘资源库管理系统,解决了多源、异构、海量的新型基础测绘数据难以集成管理与可视化的问题,实现了各部门之间的互联互通、信息共享,增强了新型基础测绘成果管理服务能力,提高了新型基础测绘地理信息管理水平,对于响应新型基础测绘体系要求具有重要意义。

基于深度学习的遥感影像语义分割与目标检测研究

这是一篇关于深度学习,遥感影像,语义分割,目标检测,YOLOv5的论文, 主要内容为近年来,遥感科学技术发展迅猛,光学遥感影像的分辨率不断提高,利用其可以精确观测地球表面的各种目标以及各类地物,基于高分辨率遥感影像的地物分类、目标识别被广泛应用于智慧农业、灾害评估以及城市规划等领域。随着深度学习理论与方法的快速发展,利用深度学习方法对海量高分辨率遥感影像进行目标检测与语义分割也在实际场景应用中体现出重要的研究价值。本文主要的研究内容为利用深度学习方法对遥感影像进行目标检测与语义分割,提高其对遥感影像的解译精度。论文的主要工作如下:(1)提出NDVI-RSU-Net模型用于高分二号遥感影像语义分割。在U-Net模型的基础上,加入残差网络与注意力机制,构建了 RSU-Net模型,并进一步探讨了 RSU-Net模型的最佳输入波段组合,在输入特征通道中增加归一化植被指数(Normalized Difference Vegetation Index,NDVI),构建了 NDVI-RSU-Net模型。利用该模型提取了高分二号遥感影像的土地覆盖类型,并将该模型提取结果与经典的语义分割模型FCN模型、U-Net模型、LinkNet模型、VNet模型、ResU-Net模型及RSU-Net模型的提取结果进行对比,以验证该模型对土地覆盖类型提取的有效性。结果表明:RSU-Net模型取得了最佳的分类结果,其类别平均像素分割精度(Mean Pixel Accuracy,MPA)和平均交并比(Mean Intersection over Union,MIOU)分别为 87.24%和 67.69%,均高于 FCN(84.38%和 65.36%)、U-Net(85.34%和65.10%)、LinkNet(81.89%和 55.43%)、VNet(79.63%和57.69%)、ResU-Net模型(86.37%和66.09%)。可见光、近红外与归一化植被指数的波段组合为RSU-Net的最佳输入波段,基于该输入波段组合和RSU-Net模型提取土地覆盖类型的总体分割精度和平均交并比可达88.36%和71.18%,高于未添加NDVI的RSU-Net分割方法。(2)提出了一种改进YOLOv5的遥感影像目标检测模型。首先,针对卷积神经网络下采样导致的特征图中包含的小目标信息较少或消失的问题,引入特征复用以增加了特征图中的小目标特征信息;其次,在特征融合阶段时使用EMFFN(Efficient Multi-scale Feature Fusion Network)的特征融合网络代替原有的PANet(Path Aggregation Network),通过添加跳跃连接以及跨层连接以高效融合不同尺度的特征图信息;最后,为了应对复杂背景带来的检测效果变差的问题,提出了一种包含通道与像素的双向特征注意力机制(BFAM,Bidirectional Feature Attention Mechanism),以提高模型在复杂背景下的检测效果。改进后的YOLOv5模型在DIOR数据集与RSOD数据集中进行目标检测实验,检测精度(Mean average precision,mAP)分别为87.8%和96.6%,相较原始Yolov5模型分别提高了 5.2%和1.6%,并且均高于其他经典目标检测模型。实验结果表明本文提出的模型具有更好的检测效果。

基于多尺度深度特征融合的遥感影像变化检测研究

这是一篇关于遥感影像,变化检测,深度学习,多尺度深度特征融合,深监督学习的论文, 主要内容为遥感影像变化检测技术在城镇化发展、土地变更调查以及自然灾害预警等领域中发挥着重要的作用,尤其是为地表监测和变化分析研究提供重要的技术支撑,一直是遥感领域的重点研究方向。近年来,伴随深度学习以及大数据技术的快速发展,国内外研究学者提出一系列满足遥感变化检测场景的深度学习方法。然而,在算法研究迈向实际应用的过程中,由于地物类别的复杂性、特征提取和选择的不充分以及变化检测数据的多源性,使得基于深度学习的遥感影像变化检测方法获取的变化检测结果可靠性较低。本文在总结和分析现有深度学习遥感影像变化检测方法的基础上,以提高变化检测结果的可靠性为目的,从实现遥感影像深度特征有效融合,提高模型对变化检测场景的普适性和对多尺度变化信息的敏感性等方面考虑,提出一种基于多尺度深度特征融合的遥感影像变化检测方法,并通过一系列实验分析与讨论论证方法的有效性和可靠性。最后,基于提出的变化检测方法,设计并实现了基于深度学习的遥感变化检测系统,旨在准确、快速识别变化信息的同时,为城市规划和土地资源管理提供技术支持,具有重要的研究意义和实用价值。本文主要的研究工作与创新如下:(1)针对现有基于深度学习的遥感影像变化检测方法存在的特征融合不充分、多尺度变化信息敏感性较低以及场景普适性差等问题,本文结合卷积神经网络、注意力机制以及多尺度特征融合方法,提出一种基于多尺度深度特征融合的遥感影像变化检测方法。方法首先基于共享权重的孪生卷积神经网络并行提取两时期遥感影像深度特征,通过在同一数据空间进行两时期影像的多维度特征描述,降低成像条件以及传感器差异对变化检测结果的影响;其次,为了保证两时期遥感影像深度特征融合以及变化信息提取的有效性,提出变化强度引导的多尺度特征融合模块,提高模型对伪变化噪声的抗干扰能力以及对多尺度变化信息的关注度;此外,在编码-解码结构后添加基于残差卷积网络结构的变化检测精细化模块,提高方法对细节变化信息的提取精度;最后,使用多尺度混合损失函数进行模型拟合训练,使模型从像素、局部区块以及影像全局拟合输入与输出的映射关系,并结合深监督学习策略提升方法的拟合性能和鲁棒性。(2)在两个开源数据集上对本文提出的变化检测方法进行一系列对比实验分析与讨论。首先,在CDD以及LEVIR-CD数据集上对本文方法与四种基准变化检测方法进行对比实验分析,本文方法在CDD数据集和LEVIR-CD数据集上交并比(Intersection over Union,Io U)分别达到92.39%和85.89%,相较对比试验次优方法分别提升7.28%和2.21%。其次,在对比实验的基础上,对本文方法组成模块、网络结构以及损失函数进行实验讨论与分析。实验结果表明本文方法在多尺度变化信息提取精度、模型抗噪能力以及变化检测场景普适性等方面表现出色,变化检测结果中漏检及误检信息较少,具备较高的可靠性和实际应用价值。(3)基于本文提出的遥感影像变化检测方法,设计并实现了基于深度学习的遥感影像变化检测系统。系统立足于土地变更调查以及遥感变化检测需求背景,实现了基于深度学习的遥感变化检测数据载入、样本生成、数据增强、模型选择、参数配置、模型训练、变化检测以及专题输出等功能模块。另外,集成包括本文方法在内的一系列遥感影像深度学习变化检测算法,为算法研究与应用提供实验平台。最后,利用广州市真实场景的遥感变化检测影像数据验证和分析了系统的有效性及可靠性。系统将遥感变化检测算法研究与实际应用相结合,有效提高遥感变化检测工作的自动化程度以及结果的可靠性,为地理国情监测中的土地变更调查以及遥感变化检测工作提供辅助工具。

基于改进U-Net网络的多源遥感影像洪涝灾害变化信息提取与风险分析

这是一篇关于改进U-Net网络,洪涝灾害,变化信息提取,遥感影像,风险评估的论文, 主要内容为洪涝灾害是最常见、危害最大的一种自然灾害,具有范围广、突发性、破坏性强的特点,对人类社会的生存和发展具有严重威胁。虽然地面洪涝灾害监测网络在防洪抗灾中起到很大作用,但站点数据难以描绘洪涝灾害的全貌,缺乏宏观性。遥感技术可以快速、客观和全面的获取陆地表面宏观、动态信息,在洪涝灾害信息提取方面应用广泛。同时,由于传统的基于单一遥感影像源的洪涝灾害信息提取方法在自动化程度、表征能力、提取精度方面越来越无法满足当前应用需要。因此,本文将基于改进U-Net网络的方法,融合合成孔径雷达(SAR)影像、数字高程模型(DEM)、光学遥感影像等多源影像数据,从洪涝灾害信息提取、变化检测与洪涝灾害风险评估等方面开展研究。主要研究内容和结果如下:(1)构建了2个洪涝灾害数据集。本文依托国家对地观测科学数据中心提供的2020年夏季中国洪涝灾害数据中的高分三号(GF-3)SAR影像并融合DEM影像,依托公开数据集x BD自然灾害图像数据集提取2019年美国中西部洪涝灾害高分辨率光学遥感影像数据,通过遥感影像预处理、标签制作、数据增强等,制作了2020年合肥市庐江县洪涝灾害数据集以及2019年美国中西部地区洪涝灾害数据集,为后续基于SAR影像与光学遥感影像的洪涝灾害信息提取与变化检测奠定数据基础。(2)基于SAR影像与DEM影像的融合影像,提出了改进U-Net网络模型,完成了2020年夏季合肥市庐江县洪涝灾害的信息提取与变化分析。本文将高分三号(GF-3)SAR影像与DEM融合,通过构建基于标准卷积核U-Net网络、空洞卷积核U-Net网络以及可分离卷积核U-Net网络的决策级融合的U-Net网络,对2020年合肥市庐江县洪涝灾害进行信息提取和变化分析,结果显示本文提出的改进U-Net网络相较于单一卷积核U-Net网络的分类精度总体精度提升≥0.6%,建筑和道路信息提取精度提升≥8%。2020年庐江县洪涝淹没地区主要在庐江县北部以及东部,淹没土地面积约为208.7907km2。(3)基于高空间分辨率光学遥感影像,提出了Trans U-Net网络模型,完成了2019年美国中西部洪涝灾害的信息提取与变化分析。本文提出将Transformer和U-Net网络融合的新网络Trans U-Net网络,充分结合全局上下文理解能力和精确定位优势,对2019年美国中西部洪涝灾害进行信息提取与变化分析。结果显示,本文提出的Trans U-Net网络相较于U-Net及其改进网络总体精度提升≥0.6%,研究区淹没面积达到0.1492km2,其中低植被淹没面积最高,达到0.0932km2。(4)完成了合肥市洪涝灾害风险评估。本文根据合肥市洪涝灾害形成机制,利用层次分析法(AHP)构建了洪涝灾害风险评估指标体系,通过Arcgis平台进行数据的整理和分析,得到各指标的空间栅格数据并确定各指标权重。利用模糊综合评价法(FCA)进行洪涝灾害风险评价。实验结果显示,合肥市79%处于中低风险区,高风险区主要集中在蜀山区、庐阳区和包河区的交界处,各等级洪涝灾害风险排序为:较低风险(40.65%)>中等风险(39.25%)>低风险(12.86%)>较高风险(7.06%)>高风险(0.17%)。

遥感影像道路提取方法：融合注意力机制与残差模块的U-Net模型

这是一篇关于遥感影像,道路提取,深度学习,U-Net模型,注意力机制,残差网络的论文, 主要内容为本文主要研究如何快速、高效地从高分辨率遥感影像中提取道路信息。随着遥感技术的发展,遥感影像在许多领域得到了广泛应用。道路作为城市交通和基础设施的重要组成部分,其精准提取对于城市规划、交通管理等方面具有重要意义。因此,基于遥感影像的道路提取研究一直备受关注。但是由于道路自身的复杂性及与其它地物间的相似性,传统的道路提取方法在高分辨率遥感影像中存在抗干扰能力弱、自动化水平低和提取效果差等问题。因此,本文结合深度学习技术提出了一种融合注意力机制与残差模块的U-Net高分辨率遥感影像道路提取的模型——Res-AU-Net,以解决传统方法的不足。该模型基于U-Net网络模型,采用残差网络Res Net50来解决因网络层数过深引起的网络退化问题,稳定地通过加深网络来提取更为抽象的深层语义特征,加快模型训练速度和提高模型鲁棒性;考虑到编码器中低层特征背景信息冗余,在跳级连接加入注意力机制,加强道路特征并抑制不相关特征的激活,保留更多的道路上下文拓扑关系,增强模型对道路区域的关注度;利用空洞卷积感受野大参数少的特性进一步优化网络模型,使其更加轻量化;使用了Adam优化算法并提出改进的损失函数,以提高模型的准确性和稳定性;采用更先进的GELU作为激活函数,以提升模型精度。最后,进行了多组实验验证模型的有效性。基于Massachusetts Roads道路数据集的实验结果表明:(1)本文提出的道路提取模型在高分辨率遥感影像上具有可行性,提取道路的整体精度、精确率、召回率、F1-score和交并比分别达到98.7%、89.51%、85.71%、87.57%和78.15%,具有较高的提取精度;(2)与几种经典的语义分割网络相比,在道路提取的完整性和精确度,以及树木、建筑和阴影遮挡方面,本文方法均有较好地提取效果。另外,本文为了快速、便捷地提取高分辨率遥感影像中的道路,基于本文提出的Res-AU-Net模型设计并实现了遥感影像道路提取系统。该系统利用Py Qt5图形程序框架进行图形化界面设计,基于Python语言进行系统代码开发与功能实现。大大降低了道路提取的操作步骤,为相关从业人员提供了便利。综上所述,本文提出的融合注意力机制与残差模块的U-Net遥感影像道路提取模型在道路提取任务中具有较高的准确率和鲁棒性,具有较为广泛的应用前景。