高分辨率遥感图像双解耦语义分割网络模型

高分辨率遥感图像双解耦语义分割网络模型

P237; 语义分割是高空间分辨率遥感图像分析和理解的核心内容之一.现有基于深度学习的语义分割网络会导致遥感图像高频信息损失,边界分割不准确.针对此问题,本文提出一种双解耦语义分割网络模型,将提取的两级特征图解耦为具有高频特性的边界特征和具有低频特性的主体特征,并将解耦后的边界和主体特征图进行融合,从而改善高分辨率遥感图像语义分割性能.进一步提出了 一种顾及边界和主体的损失函数,对地物要素及其边界和主体部分进行优化学习.在ISPRS Vaihingen和Potsdam 2D高空间分辨率遥感图像数据集上进行试验,与已有的遥感图像语义分割网络模型结果比较,双解耦语义分割网络模型能有效提高地物要素分...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:测绘学报 2023-04, Vol.52 (4), p.638-647
Hauptverfasser: 刘帅, 李笑迎, 于梦, 邢光龙
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
container_end_page 647
container_issue 4
container_start_page 638
container_title 测绘学报
container_volume 52
creator 刘帅
李笑迎
于梦
邢光龙
description P237; 语义分割是高空间分辨率遥感图像分析和理解的核心内容之一.现有基于深度学习的语义分割网络会导致遥感图像高频信息损失,边界分割不准确.针对此问题,本文提出一种双解耦语义分割网络模型,将提取的两级特征图解耦为具有高频特性的边界特征和具有低频特性的主体特征,并将解耦后的边界和主体特征图进行融合,从而改善高分辨率遥感图像语义分割性能.进一步提出了 一种顾及边界和主体的损失函数,对地物要素及其边界和主体部分进行优化学习.在ISPRS Vaihingen和Potsdam 2D高空间分辨率遥感图像数据集上进行试验,与已有的遥感图像语义分割网络模型结果比较,双解耦语义分割网络模型能有效提高地物要素分割精度.
doi_str_mv 10.11947/j.AGCS.2023.20210455
format Article
fullrecord <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_chxb202304012</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>chxb202304012</wanfj_id><sourcerecordid>chxb202304012</sourcerecordid><originalsourceid>FETCH-LOGICAL-s1002-f2c0dcb892d0664ae9c602a3e6dc10619262f8965fb472600fd4b433144e7c623</originalsourceid><addsrcrecordid>eNpjYJA1NNAzNLQ0MdfP0nN0dw7WMzIwMgYRhgYmpqYsDJyGBgaGuoamlqYcDLzFxZlJBgamJsbmpsaWnAyWL1fPeNrR9mLfiud97S8blz5rmf909r6nzf1P-3teLF_8omHZi_Vrn-zsBKp52rnp-d6Jz3fPebZi4dN53TwMrGmJOcWpvFCamyHUzTXE2UPXx9_d09nRR7cYaK2RbppRskFKcpKFpVGKgZmZSWKqZbKZgVGicapZSrKhgZmhpZGZUZqFpZlpWpKJuZGZgUFaikmSibGxoYlJqnmymZExN4MqxNzyxLy0xLz0-Kz80qI8oI3xyRkVSSCvGpgYGBoZAwC2AVtj</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>高分辨率遥感图像双解耦语义分割网络模型</title><source>Elektronische Zeitschriftenbibliothek - Frei zugängliche E-Journals</source><creator>刘帅 ; 李笑迎 ; 于梦 ; 邢光龙</creator><creatorcontrib>刘帅 ; 李笑迎 ; 于梦 ; 邢光龙</creatorcontrib><description>P237; 语义分割是高空间分辨率遥感图像分析和理解的核心内容之一.现有基于深度学习的语义分割网络会导致遥感图像高频信息损失,边界分割不准确.针对此问题,本文提出一种双解耦语义分割网络模型,将提取的两级特征图解耦为具有高频特性的边界特征和具有低频特性的主体特征,并将解耦后的边界和主体特征图进行融合,从而改善高分辨率遥感图像语义分割性能.进一步提出了 一种顾及边界和主体的损失函数,对地物要素及其边界和主体部分进行优化学习.在ISPRS Vaihingen和Potsdam 2D高空间分辨率遥感图像数据集上进行试验,与已有的遥感图像语义分割网络模型结果比较,双解耦语义分割网络模型能有效提高地物要素分割精度.</description><identifier>ISSN: 1001-1595</identifier><identifier>DOI: 10.11947/j.AGCS.2023.20210455</identifier><language>chi</language><publisher>燕山大学信息科学与工程学院,河北 秦皇岛066004</publisher><ispartof>测绘学报, 2023-04, Vol.52 (4), p.638-647</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/chxb/chxb.jpg</thumbnail><link.rule.ids>314,780,784,27922,27923</link.rule.ids></links><search><creatorcontrib>刘帅</creatorcontrib><creatorcontrib>李笑迎</creatorcontrib><creatorcontrib>于梦</creatorcontrib><creatorcontrib>邢光龙</creatorcontrib><title>高分辨率遥感图像双解耦语义分割网络模型</title><title>测绘学报</title><description>P237; 语义分割是高空间分辨率遥感图像分析和理解的核心内容之一.现有基于深度学习的语义分割网络会导致遥感图像高频信息损失,边界分割不准确.针对此问题,本文提出一种双解耦语义分割网络模型,将提取的两级特征图解耦为具有高频特性的边界特征和具有低频特性的主体特征,并将解耦后的边界和主体特征图进行融合,从而改善高分辨率遥感图像语义分割性能.进一步提出了 一种顾及边界和主体的损失函数,对地物要素及其边界和主体部分进行优化学习.在ISPRS Vaihingen和Potsdam 2D高空间分辨率遥感图像数据集上进行试验,与已有的遥感图像语义分割网络模型结果比较,双解耦语义分割网络模型能有效提高地物要素分割精度.</description><issn>1001-1595</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2023</creationdate><recordtype>article</recordtype><recordid>eNpjYJA1NNAzNLQ0MdfP0nN0dw7WMzIwMgYRhgYmpqYsDJyGBgaGuoamlqYcDLzFxZlJBgamJsbmpsaWnAyWL1fPeNrR9mLfiud97S8blz5rmf909r6nzf1P-3teLF_8omHZi_Vrn-zsBKp52rnp-d6Jz3fPebZi4dN53TwMrGmJOcWpvFCamyHUzTXE2UPXx9_d09nRR7cYaK2RbppRskFKcpKFpVGKgZmZSWKqZbKZgVGicapZSrKhgZmhpZGZUZqFpZlpWpKJuZGZgUFaikmSibGxoYlJqnmymZExN4MqxNzyxLy0xLz0-Kz80qI8oI3xyRkVSSCvGpgYGBoZAwC2AVtj</recordid><startdate>20230420</startdate><enddate>20230420</enddate><creator>刘帅</creator><creator>李笑迎</creator><creator>于梦</creator><creator>邢光龙</creator><general>燕山大学信息科学与工程学院,河北 秦皇岛066004</general><general>河北省信息传输与信号处理重点实验室,河北秦皇岛066004%燕山大学信息科学与工程学院,河北 秦皇岛066004</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>20230420</creationdate><title>高分辨率遥感图像双解耦语义分割网络模型</title><author>刘帅 ; 李笑迎 ; 于梦 ; 邢光龙</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-LOGICAL-s1002-f2c0dcb892d0664ae9c602a3e6dc10619262f8965fb472600fd4b433144e7c623</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2023</creationdate><toplevel>online_resources</toplevel><creatorcontrib>刘帅</creatorcontrib><creatorcontrib>李笑迎</creatorcontrib><creatorcontrib>于梦</creatorcontrib><creatorcontrib>邢光龙</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>测绘学报</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>刘帅</au><au>李笑迎</au><au>于梦</au><au>邢光龙</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>高分辨率遥感图像双解耦语义分割网络模型</atitle><jtitle>测绘学报</jtitle><date>2023-04-20</date><risdate>2023</risdate><volume>52</volume><issue>4</issue><spage>638</spage><epage>647</epage><pages>638-647</pages><issn>1001-1595</issn><abstract>P237; 语义分割是高空间分辨率遥感图像分析和理解的核心内容之一.现有基于深度学习的语义分割网络会导致遥感图像高频信息损失,边界分割不准确.针对此问题,本文提出一种双解耦语义分割网络模型,将提取的两级特征图解耦为具有高频特性的边界特征和具有低频特性的主体特征,并将解耦后的边界和主体特征图进行融合,从而改善高分辨率遥感图像语义分割性能.进一步提出了 一种顾及边界和主体的损失函数,对地物要素及其边界和主体部分进行优化学习.在ISPRS Vaihingen和Potsdam 2D高空间分辨率遥感图像数据集上进行试验,与已有的遥感图像语义分割网络模型结果比较,双解耦语义分割网络模型能有效提高地物要素分割精度.</abstract><pub>燕山大学信息科学与工程学院,河北 秦皇岛066004</pub><doi>10.11947/j.AGCS.2023.20210455</doi><tpages>10</tpages></addata></record>
fulltext fulltext
identifier ISSN: 1001-1595
ispartof 测绘学报, 2023-04, Vol.52 (4), p.638-647
issn 1001-1595
language chi
recordid cdi_wanfang_journals_chxb202304012
source Elektronische Zeitschriftenbibliothek - Frei zugängliche E-Journals
title 高分辨率遥感图像双解耦语义分割网络模型
url https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-01-09T18%3A46%3A22IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E9%AB%98%E5%88%86%E8%BE%A8%E7%8E%87%E9%81%A5%E6%84%9F%E5%9B%BE%E5%83%8F%E5%8F%8C%E8%A7%A3%E8%80%A6%E8%AF%AD%E4%B9%89%E5%88%86%E5%89%B2%E7%BD%91%E7%BB%9C%E6%A8%A1%E5%9E%8B&rft.jtitle=%E6%B5%8B%E7%BB%98%E5%AD%A6%E6%8A%A5&rft.au=%E5%88%98%E5%B8%85&rft.date=2023-04-20&rft.volume=52&rft.issue=4&rft.spage=638&rft.epage=647&rft.pages=638-647&rft.issn=1001-1595&rft_id=info:doi/10.11947/j.AGCS.2023.20210455&rft_dat=%3Cwanfang_jour%3Echxb202304012%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=chxb202304012&rfr_iscdi=true