结合多尺度共享编码的半监督网络航空影像语义分割

• Published in: Ce hui xue bao Vol. 51; no. 11; pp. 2355 - 2364
• Main Authors: 李佳田, 杨汝春, 姚彦吉, 贺日兴, 阿晓荟, 吕少云
• Format: Journal Article
• Language: Chinese; English
• Published: Beijing Surveying and Mapping Press 01.11.2022; 首都师范大学三维数据获取与应用教育部重点实验室,北京 100048; 昆明理工大学国土资源工程学院,云南 昆明 650093%首都师范大学资源环境与旅游学院,北京100048
• Subjects: Accuracy; Coders; Coding; Datasets; Embedding; Image processing; Image segmentation; Receptive field; Semantic segmentation; Semantics; 主-从解码器; 语义分割; 半监督; 航空影像; 多尺度共享编码器
• ISSN: 1001-1595; 1001-1595
• DOI: 10.11947/j.AGCS.2022.20200522

在半监督语义分割中，主要采用编码-主从解码器结构使无标签样本参与计算以提高分割精度，但编码器的连续下采样操作易丢失浅层细节特征，从而导致地物边界分割不完整。为此，本文提出结合多尺度共享编码的半监督网络架构对航空影像进行语义分割，该网络的编码器采用ResNet-50获取影像浅层特征，并通过在ResNet-50末端嵌入多尺度共享编码模块来链接浅层特征，以构建密集特征金字塔和扩大感受野，从而获取目标地物多尺度细节信息。将本文网络与UNet、DeepLabv3+、FCN监督网络和CCT、XModalNet、VLCNet半监督网络在LandCover.ai和DroneDeploy数据集上分别进行了对比试验和精度评估。结果表明：本文网络在标签数量与精度方面均具有明显优势，对于LandCover.ai数据集，在6000张标签样本和6500张无标签样本的前提下，整体mIoU提升1.15%，对于DroneDeploy数据集，在30张标签样本和5张无标签样本的前提下，整体mIoU提升0.94%，同时显著提升影像地物的分割精度，得到更清晰、完整的地物边界。