一种改进的DenseASPP网络在遥感图像分割中的应用

张 斌 张晓静 赵丙辰 张江霄 李舟军

1(邢台学院数学与信息技术学院 河北 邢台 054001) 2(北京航空航天大学软件开发环境国家重点实验室 北京 100191)

0 引 言

对高分遥感图像进行像素级语义分割，在地形勘探、测绘，以及水土流失监测和治理等领域都具有重要的理论意义和研究价值。但遥感图像由于地形地貌特点各异，不同地形的尺度往往大小不一且相差较大，且图像边界细节也形态各异，这也给图像分割的难度提出了挑战[1]。本文针对此类问题，以DenseASPP网络为基础，提出一种改进型的注意力网络模型。

1 基于深度卷积网络的图像分割研究

自2015年提出全卷积网络模型(FCN)[2]以来，基于深度卷积网络模型的图像分割方法一直是图像分割领域的主流方法。但这类方法一直存在一个问题，即深层次的卷积特征图像具有更大的感受野，卷积计算也可以获得特征图更抽象的特征信息，但却会随着每层的尺寸缩小丢失一些有关图像分割边界的细节信息，这种图像经过反卷积上采样后的分割图像将会出现边界细节不清；而浅层次的特征图像具备这些细节信息，但却不具备更抽象的特征信息。为了解决这个问题，人们提出了许多改进方法，典型的有U-Net[3]、RefineNet[4]等，这类方法是将浅层卷积与深层卷积特征图在不同尺度结合，从而在一定程度上弥补各自的缺陷，其被称为编码器-译码器方法[5]。另一类方法就是带孔卷积[6]方法，这类方法是使用彼此拉开距离的卷积核对特征图像进行卷积采样，由于卷积核具有更大的范围，其卷起采样后的特征图像也具有更大的感受野，从而可以在浅层网络获得较全面抽象的特征图，这种卷积核元素之间的距离就是扩张率。……