科研之友
微信
新浪微博
Facebook
分享链接
摘要
遥感影像蕴含丰富的语义信息，在滑坡灾害监测任务中发挥出了重要的作用。传统的滑坡识别主要通过遥感目视解译和人机交互识别，存在耗时费力、主观性强和提取精度低等问题。语义分割作为深度学习中的一项重要任务，因其端到端的像素级分类能力，已在遥感影像自动化识别任务中发挥出了重要作用。现有遥感影像滑坡灾害语义分割模型通常无法顾及多尺度地物特征，且随着网络深度增加会造成边界模糊等问题。本文提出了AED-Net(Attention combined with Encoder-Decoder Network)，使用浅层特征提取网络缓解深度神经网络造成的边界模糊问题，利用空洞空间卷积池化金字塔结构的多尺度特征提取能力，结合编码器-解码器结构的特征还原能力还原边界信息，并使用通道注意力机制强化模型的关键特征学习能力。利用GID-5数据集针对模型中空洞卷积的膨胀率设置、通道注意力机制的选择进行对比试验以得到最优解，最终得到的模型在毕节市滑坡灾害数据集上获得了最优表现，像素准确度为95.58%，平均像素精度为89.24%，平均交互比为82.68%，相比PSP-Net、Attention U-Net、加入ECA注意力机制的DeeplabV3+、PA-Fov、LandsNet等语义分割模型，PA提升了0.73%～1.97%,MPA提升了1.0%～2.84%,MIoU提升了2.25%～5.11%，达到了最优分割效果。
- 单位
