發(fā)布時間：2024-05-27 23:46

　　傳統(tǒng)的基于光譜相似性的分割方法無法將具有相似光譜特性的不同地物分割開來,并且會存在錯分現(xiàn)象。利用深度學(xué)習(xí)直接進(jìn)行三類地物的分割,其分割效果不能滿足實際要求。本文改進(jìn)了最新的UNet++模型,提出一種將三分類分割問題分解成兩個二分類分割的方法來提高分割精度。首先將三類別樣本制作為兩個單類別樣本;其次分別訓(xùn)練二分類網(wǎng)絡(luò),在測試集上將二分類結(jié)果輸出為0～100之間的概率;最后將二分類結(jié)果按概率融合為三分類。實驗結(jié)果表明,改進(jìn)的UNet++模型精度有顯著提升,同時將三分類化為二分類算法的分割結(jié)果,其各項評估指標(biāo)也均有提升,平均交并比MIoU、平均精確度MP、平均召回率MR和平均像素精度MPA分別提高了0.3%、1.8%、1.5%和4.5%。

【文章頁數(shù)】：5 頁

【部分圖文】：

圖1UNet++和改進(jìn)后的模型結(jié)構(gòu)圖

UNet++網(wǎng)絡(luò)由UNet網(wǎng)絡(luò)發(fā)展而來,把不同層數(shù)的多個UNet采用denseNet的連接方式進(jìn)行了融合,相當(dāng)于同時訓(xùn)練了多個UNet網(wǎng)絡(luò),有效地解決了UNet層數(shù)固定后不能有效提取特征的問題。UNet++和改進(jìn)后的模型結(jié)構(gòu)圖網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。圖1(a)中,X0,1、X0,2....

圖2UNet++直接三分類與分別作二分類后融合的結(jié)果對比

表4直接三分類與二分類融合結(jié)果的評價指標(biāo)對比%分類方法平均交并比平均精確度平均召回率平均像素精度原始UNet++直接三分類58.064.685.874.0原始UNet++二分類融合71.384.682.090.0本文改進(jìn)的UNet++直接三分類....

圖3改進(jìn)的UNet++直接三分類與分別作二分類后融合的結(jié)果對比

圖2UNet++直接三分類與分別作二分類后融合的結(jié)果對比綜合比對圖2、圖3可看出,采用本文改進(jìn)的UNet++模型,其直接三分類和二分類融合結(jié)果的預(yù)測效果均優(yōu)于原始UNet++模型,進(jìn)一步證明了本文所提算法的有效性。

本文編號：3983197