葉秀芬， 于淼， 郭書祥， 梁洪

(哈爾濱工程大學(xué) 自動(dòng)化學(xué)院，黑龍江 哈爾濱 150001)

遙感圖像語(yǔ)義分割廣泛應(yīng)用于壞境監(jiān)測(cè)、交通規(guī)劃、自動(dòng)駕駛系統(tǒng)等多個(gè)領(lǐng)域[1]。隨著遙感技術(shù)的迅猛發(fā)展，高分辨率的遙感衛(wèi)星圖像具有觀測(cè)范圍廣、包含物體信息多、信息特征提取困難等特點(diǎn)[2]。傳統(tǒng)的圖像處理方法在應(yīng)對(duì)遙感圖像目標(biāo)提取的問(wèn)題時(shí)，主要難度在于目標(biāo)特征選取時(shí)十分依賴于領(lǐng)域?qū)＜业慕?jīng)驗(yàn)[3]。

在遙感圖像目標(biāo)分割領(lǐng)域中，目前多是對(duì)一些圖像中的地貌信息如水體、森林、道路等占比較大的區(qū)域進(jìn)行分割，對(duì)于細(xì)弱目標(biāo)精確分割的研究很少。而高壓輸電線路作為遙感圖像中細(xì)弱目標(biāo)的代表，存在著目標(biāo)特征難以精確提取、目標(biāo)類別占整體圖像比例過(guò)少以及目標(biāo)受背景干擾大等挑戰(zhàn)。目前常用的一些圖像分割方法難以取得精確的遙感圖像細(xì)弱目標(biāo)分割效果。實(shí)現(xiàn)遙感圖像中高壓輸電線路這類細(xì)弱目標(biāo)準(zhǔn)確的分割，對(duì)于輸電線路的運(yùn)維管理和故障檢測(cè)具有重大研究意義和應(yīng)用價(jià)值。

對(duì)于遙感圖像中的目標(biāo)分割，國(guó)內(nèi)外學(xué)者在不同的領(lǐng)域中提出了各自的方法。田昊等[4]提出了基于先驗(yàn)形狀約束水平集模型的遙感圖像中建筑物提取的方法。周家香等[5]提出了一種基于形態(tài)學(xué)濾波的高分辨率遙感圖像城區(qū)不透水表面的提取方法。趙雪梅等[6]利用隱馬爾可夫模型和高斯隨機(jī)場(chǎng)模型，提出了一種模糊聚類的遙感圖像分割算法。這些方法針對(duì)的目標(biāo)數(shù)據(jù)都比較單一，不具有良好的泛化能力，對(duì)于細(xì)弱目標(biāo)分割更不能起到良好的效果。

對(duì)于遙感圖像中高壓輸電線路這一研究方向，王雪[7]設(shè)計(jì)了一種高壓輸電線無(wú)人機(jī)巡檢算法和軟件，使用自適應(yīng)中值濾波方法對(duì)無(wú)人機(jī)獲取的高壓輸電線圖像進(jìn)行去噪和增強(qiáng)。許志軍[8]同樣針對(duì)無(wú)人機(jī)巡檢圖像，通過(guò)使用深度學(xué)習(xí)網(wǎng)絡(luò)，對(duì)于圖像中高壓輸電線的缺陷位置進(jìn)行檢測(cè)標(biāo)注。上述算法的應(yīng)用場(chǎng)景都是基于距離較近的無(wú)人機(jī)拍攝圖像，背景簡(jiǎn)單且識(shí)別的線體目標(biāo)相比衛(wèi)星遙感圖像中的相同目標(biāo)清晰很多。如何實(shí)現(xiàn)精準(zhǔn)的像素級(jí)遙感圖像細(xì)弱目標(biāo)分割，目前仍沒(méi)有較好的方法。

近年來(lái)，深度學(xué)習(xí)方法對(duì)圖像語(yǔ)義分割領(lǐng)域的發(fā)展起到了巨大的促進(jìn)作用。2014 年，Long等[9]提出了全卷積網(wǎng)絡(luò)(FCN)，這使得卷積神經(jīng)網(wǎng)絡(luò)無(wú)需全連接層即能實(shí)現(xiàn)像素級(jí)的預(yù)測(cè)。2015年提出的U-net基于編碼-譯碼的對(duì)稱式架構(gòu)，編碼過(guò)程通過(guò)池化層逐漸減少位置信息、抽取更高層級(jí)的語(yǔ)義特征[10]。同年提出的SegNet網(wǎng)絡(luò)，將池化層結(jié)果應(yīng)用到譯碼過(guò)程[11]，引入了更多的編碼信息。但以上的網(wǎng)絡(luò)都面臨著遙感圖像中細(xì)弱目標(biāo)特征不明顯、類別非均衡的問(wèn)題，對(duì)于遙感圖像高壓電線一類細(xì)弱目標(biāo)的分割效果同樣不能令人滿意。

本文針對(duì)上述存在的問(wèn)題和挑戰(zhàn)，提出了一種新型網(wǎng)絡(luò)模型，增加了網(wǎng)絡(luò)對(duì)細(xì)弱目標(biāo)的特征提取與利用能力，加強(qiáng)了網(wǎng)絡(luò)模型對(duì)細(xì)弱目標(biāo)的注意力。并使用集成學(xué)習(xí)的方法對(duì)結(jié)果進(jìn)行多模型投票表決，增強(qiáng)了模型的分割精度和泛化能力。

1 Dense-Unet網(wǎng)絡(luò)結(jié)構(gòu)的建立

在現(xiàn)有的一些深度學(xué)習(xí)語(yǔ)義分割方法中，U-net由于其對(duì)稱式的結(jié)構(gòu)設(shè)計(jì)和跳躍連接的思想，能夠有效地融合CNN中的低維和高維特征。但是 U-net 構(gòu)架卷積層較淺，各個(gè)卷積層之間的聯(lián)系較少，不能良好地提取細(xì)弱目標(biāo)的精確特征，識(shí)別過(guò)程仍受背景干擾和類別分布顯著非均衡的影響，對(duì)遙感圖像中細(xì)弱目標(biāo)分割精度不佳。

DenseNet網(wǎng)絡(luò)[12]通過(guò)其特有的稠密連接結(jié)構(gòu)，加強(qiáng)了網(wǎng)絡(luò)各層級(jí)間特征的傳遞，能夠在保證每層較少計(jì)算參數(shù)的前提下仍保持較高的預(yù)測(cè)精度。另外稠密連接的思想使得網(wǎng)絡(luò)抵抗過(guò)擬合的能力顯著增強(qiáng)，具有更好的泛化性能。由于稠密連接結(jié)構(gòu)的上述優(yōu)點(diǎn)，能夠顯著加強(qiáng)網(wǎng)絡(luò)各層特征間聯(lián)系的特性，十分適用于遙感圖像中細(xì)弱目標(biāo)的特征提取。

本文結(jié)合了DenseNet網(wǎng)絡(luò)中的稠密連接思想和U-net中的對(duì)稱式架構(gòu)，提出Dense-Unet網(wǎng)絡(luò)結(jié)構(gòu)，有效地改進(jìn)了網(wǎng)絡(luò)細(xì)弱目標(biāo)特征的提取能力。Dense-Unet模型在結(jié)合了U-net結(jié)構(gòu)簡(jiǎn)單、對(duì)訓(xùn)練數(shù)據(jù)要求少的特點(diǎn)基礎(chǔ)上，使用稠密卷積塊代替了原本U-net中的卷積層，通過(guò)多個(gè)卷積層間稠密連接和各個(gè)稠密卷積塊間跳躍連接的方式，顯著加強(qiáng)了網(wǎng)絡(luò)各層級(jí)之間的特征聯(lián)系，使得下采樣層中所提取到的細(xì)弱目標(biāo)特征能夠高效地傳輸?shù)缴喜蓸訉又校瑴p少了由于池化和降采樣引起的特征損失，增強(qiáng)了網(wǎng)絡(luò)對(duì)細(xì)弱目標(biāo)的識(shí)別精度，使得網(wǎng)絡(luò)最終能夠?qū)崿F(xiàn)精準(zhǔn)的像素分類定位。在網(wǎng)絡(luò)模型的搭建中，進(jìn)一步使用了批標(biāo)準(zhǔn)化層和瓶頸層對(duì)網(wǎng)絡(luò)進(jìn)行優(yōu)化改進(jìn)，減小了由于遙感圖像細(xì)弱目標(biāo)分割過(guò)程出現(xiàn)的數(shù)據(jù)分布不平衡問(wèn)題，加快了訓(xùn)練時(shí)收斂的速度。

Dense-Unet網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖1所示，整個(gè)網(wǎng)絡(luò)由左側(cè)的下采樣路徑和右側(cè)的轉(zhuǎn)置卷積上采樣路徑組成，左右兩側(cè)分別對(duì)應(yīng)著網(wǎng)絡(luò)的編碼和解碼部分。在下采樣路徑與上采樣路徑之間引入跳躍連接，補(bǔ)償由于池化引起的特征損失，幫助上采樣路徑更好地獲得由下采樣路徑中細(xì)弱目標(biāo)特征信息，加強(qiáng)了特征維度之間的聯(lián)系。

而在網(wǎng)絡(luò)具體的上下卷積路徑中，首先使用稠密卷積塊來(lái)代替原本簡(jiǎn)單的卷積層，稠密卷積塊的結(jié)構(gòu)如圖2所示。每個(gè)稠密卷積塊內(nèi)部又由多個(gè)3×3的卷積層組成，在每個(gè)卷積層的前后使用BatchNorm層和SeLU激活函數(shù)來(lái)防止訓(xùn)練當(dāng)中可能引起的梯度消失現(xiàn)象。針對(duì)遙感圖像中細(xì)弱目標(biāo)的分割問(wèn)題，稠密連接的結(jié)構(gòu)能融合卷積中高維和低維特征來(lái)更好地確認(rèn)目標(biāo)的邊界，從而更好地提升分割精度。

圖1 Dense-Unet網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure diagram of Dense-Unet network

圖2 Dense-Unet中稠密卷積塊結(jié)構(gòu)示意Fig.2 Dense convolution block structure diagram in Dense-Unet

2 網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化和類別不平衡的處理方法

2.1 批標(biāo)準(zhǔn)化的應(yīng)用

對(duì)于圖像處理任務(wù)來(lái)說(shuō)，在處理過(guò)程中都需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理。如果送入網(wǎng)絡(luò)中的每一批數(shù)據(jù)都具有不同的分布，會(huì)給網(wǎng)絡(luò)的訓(xùn)練帶來(lái)困難和干擾，導(dǎo)致學(xué)習(xí)速度下降，甚至可能會(huì)出現(xiàn)梯度消失和梯度爆炸等問(wèn)題。批標(biāo)準(zhǔn)化(BatchNorm)思想[13]由Google于2015年提出，其通過(guò)降低每一批數(shù)據(jù)的協(xié)變量偏移來(lái)解決數(shù)據(jù)分布不同所引發(fā)的問(wèn)題，加入批標(biāo)準(zhǔn)化之后可以加快訓(xùn)練速度，進(jìn)一步突出數(shù)據(jù)特征之間的相對(duì)差距。在現(xiàn)在常用的語(yǔ)義分割網(wǎng)絡(luò)如U-net中，沒(méi)有引入BatchNorm層，而本文所提出的Dense-Unet網(wǎng)絡(luò)在所有的卷積層和轉(zhuǎn)置卷積層之后都加入批歸一化層來(lái)緩解梯度消失問(wèn)題并提高網(wǎng)絡(luò)的訓(xùn)練速度,使網(wǎng)絡(luò)的收斂過(guò)程加快。

在網(wǎng)絡(luò)中，通過(guò)批標(biāo)準(zhǔn)化先求出訓(xùn)練過(guò)程中的每一個(gè)訓(xùn)練批次的均值和方差，之后對(duì)該批次中的每個(gè)數(shù)據(jù)做歸一化處理，以減少由于數(shù)據(jù)分布不均引起的訓(xùn)練困難問(wèn)題。再經(jīng)過(guò)平移和縮放后就保證了每一次數(shù)據(jù)歸一化后既能保留原來(lái)學(xué)習(xí)到的特征，又達(dá)到了歸一化操作后加速訓(xùn)練收斂過(guò)程的效果。

2.2 激活函數(shù)的選擇

在原始的U-net和DenseNet的網(wǎng)絡(luò)結(jié)構(gòu)中，在卷積層之后均選擇ReLU作為網(wǎng)絡(luò)的非線性激活函數(shù)。但ReLU函數(shù)在實(shí)際的訓(xùn)練過(guò)程中有時(shí)會(huì)發(fā)生梯度失活現(xiàn)象，當(dāng)一個(gè)比較大的梯度流過(guò)一個(gè)ReLU神經(jīng)元后，可能這個(gè)神經(jīng)元的梯度將會(huì)永遠(yuǎn)變?yōu)榱?。?dāng)學(xué)習(xí)率很大的時(shí)候，使用ReLU激活函數(shù)會(huì)使得網(wǎng)絡(luò)中很多神經(jīng)元徹底失活。

為了解決ReLU函數(shù)在訓(xùn)練過(guò)程中的不足，在本文所使用的的網(wǎng)絡(luò)模型中，使用SeLU[14]激活函數(shù)代替ReLU：

(1)

SeLU相比于ReLU函數(shù)，引入2個(gè)參數(shù)α和λ，α和λ是大于1的固定常數(shù)。SeLU的優(yōu)點(diǎn)在于其函數(shù)負(fù)半?yún)^(qū)不包含死區(qū)，當(dāng)輸入大于零時(shí)，經(jīng)過(guò)激活函數(shù)的輸出會(huì)被放大，在方差過(guò)小時(shí)，可以增大方差，同時(shí)能夠防止梯度消失發(fā)生，解決了ReLU激活函數(shù)中輸出結(jié)果沒(méi)有負(fù)值和神經(jīng)元失活壞死的問(wèn)題。

2.3 圖像中類別信息不平衡問(wèn)題的處理

在深度學(xué)習(xí)中，不平衡的類別會(huì)導(dǎo)致網(wǎng)絡(luò)在訓(xùn)練過(guò)程中過(guò)于側(cè)重樣本數(shù)目較多的類別，甚至為了提升精度忽視樣本很少的類別，導(dǎo)致模型在測(cè)試集上的泛化效果很差。在所截取的遙感圖像中目標(biāo)高壓電線和高壓電線塔占整體圖片信息比例很小，尤其是目標(biāo)高壓電線十分精細(xì)，難以分辨且受背景中土地間的溝壑等周邊環(huán)境干擾明顯，誤識(shí)別概率很大，實(shí)現(xiàn)精確地分割比較困難。

針對(duì)數(shù)據(jù)中不平衡類別導(dǎo)致網(wǎng)絡(luò)對(duì)于占比較少的類別欠學(xué)習(xí)這一問(wèn)題，本文選擇增加類別占比較少目標(biāo)在訓(xùn)練中的權(quán)重和誤分類的懲罰代價(jià)，并將這種懲罰代價(jià)直接體現(xiàn)在損失函數(shù)之中。即采取代價(jià)敏感的方法，設(shè)置權(quán)重敏感向量來(lái)增大模型在訓(xùn)練過(guò)程中對(duì)小類別的注意力，對(duì)所有的分類均加上一個(gè)權(quán)重值，每一類的權(quán)重大小與該類別占整體樣本中的比例負(fù)相關(guān)。這樣的一系列權(quán)重值就構(gòu)成了一個(gè)代價(jià)敏感向量。

3 集成優(yōu)化方法的遙感圖像細(xì)弱目標(biāo)分割

3.1 模型優(yōu)化及集成學(xué)習(xí)Bagging

為了進(jìn)一步提升網(wǎng)絡(luò)在測(cè)試集上的精度和泛化能力，采用集成學(xué)習(xí)Bagging的方法來(lái)進(jìn)一步提升模型精度。Bagging是集成學(xué)習(xí)的一個(gè)方法，其特點(diǎn)是可以并行訓(xùn)練多個(gè)基分類器，從而在訓(xùn)練過(guò)程中節(jié)省大量時(shí)間開銷。其中集成學(xué)習(xí)算法具體實(shí)現(xiàn)過(guò)程如下：

1) 訓(xùn)練Dense-Unet、U-net與SegNet這3個(gè)網(wǎng)絡(luò)作為基本網(wǎng)絡(luò)，并每次從訓(xùn)練集中有放回地隨機(jī)抽取部分作為新的訓(xùn)練集，有些樣本可能會(huì)多次抽到，一共抽取出3個(gè)新的訓(xùn)練集，這3個(gè)訓(xùn)練集之間是相互獨(dú)立的。

2) 每次使用一個(gè)新訓(xùn)練集得到一個(gè)模型，在各自的訓(xùn)練集上分別訓(xùn)練得到Dense-Unet、U-net與SegNet基本模型，這3個(gè)模型的訓(xùn)練過(guò)程同樣是獨(dú)立的。

3) 最終將分別訓(xùn)練得到的3個(gè)模型分配不同權(quán)重(Dense-Unet為45%、U-net為 30%、SegNet為25%)進(jìn)行投票，各模型共同對(duì)每個(gè)像素點(diǎn)的類別進(jìn)行預(yù)測(cè)，最終組合成一個(gè)新的集成模型。

最后，將訓(xùn)練集按照如上方法隨機(jī)抽取得到了3份新數(shù)據(jù)集，最終得到3個(gè)獨(dú)立的語(yǔ)義分割模型，并基于此進(jìn)行組合，對(duì)測(cè)試圖片中每個(gè)像素點(diǎn)的分類都由這3個(gè)基礎(chǔ)模型投票表決，以少數(shù)服從多數(shù)的原則得到最終的預(yù)測(cè)結(jié)果。

采用這種Bagging集成學(xué)習(xí)的方法能夠有效地減少最終模型的估計(jì)方差，減少圖像中某些像素點(diǎn)存在的誤檢和漏檢情況，增加最終整體分割結(jié)果的精度。

3.2 數(shù)據(jù)增強(qiáng)和數(shù)據(jù)擴(kuò)充

本文所采用的數(shù)據(jù)集來(lái)自于谷歌地圖所拍攝的衛(wèi)星遙感圖像。主要為郊區(qū)或森林等不同背景下帶有高壓電線的圖片，所使用的均為可見(jiàn)光譜的RGB信息。將數(shù)據(jù)集樣本分類3類：高壓電線(標(biāo)記0)、高壓電線塔(標(biāo)記1)、其他信息(標(biāo)記2)。

對(duì)于原始數(shù)據(jù)集，選取全部數(shù)據(jù)的70%作為訓(xùn)練集，20%作為驗(yàn)證集，10%作為測(cè)試集。并在此基礎(chǔ)上進(jìn)行數(shù)據(jù)增強(qiáng)和數(shù)據(jù)擴(kuò)充。對(duì)于數(shù)據(jù)的預(yù)處理，由于有些原始遙感圖像尺寸較大，首先進(jìn)行隨機(jī)縮放、旋轉(zhuǎn)變換(對(duì)稱填充)操作，并將圖片隨機(jī)剪裁到同一尺寸1024×1024，之后再對(duì)圖片的顏色數(shù)據(jù)進(jìn)行增強(qiáng)，包括圖像亮度、飽和度、對(duì)比度的變化，最終對(duì)數(shù)據(jù)進(jìn)行水平和垂直方向的翻轉(zhuǎn)，并添加一定的隨機(jī)噪聲以增加泛化能力。同時(shí)由于數(shù)據(jù)樣本中的細(xì)弱電線目標(biāo)在不同背景下的圖片數(shù)量不均勻，而背景干擾又是影響目標(biāo)分割的最主要因素，進(jìn)而對(duì)較少的背景樣本又進(jìn)行了樣本平衡過(guò)采樣。

3.3 訓(xùn)練過(guò)程及結(jié)果分析

本文基于深度學(xué)習(xí)Pytorch框架下進(jìn)行網(wǎng)絡(luò)模型的搭建和訓(xùn)練，網(wǎng)絡(luò)權(quán)重的初始化選擇服從均值為0，標(biāo)準(zhǔn)差為1的正態(tài)分布隨機(jī)值初始化。使用改進(jìn)帶類別代價(jià)敏感權(quán)重向量的交叉熵函數(shù)作為損失函數(shù)來(lái)計(jì)算輸出誤差，使用Adam優(yōu)化器用于訓(xùn)練過(guò)程中的優(yōu)化。

最終的預(yù)測(cè)結(jié)果如圖3和圖4所示，采用U-net與SegNet這些目前常用的語(yǔ)義分割網(wǎng)絡(luò)和傳統(tǒng)的圖像分割方法與本文所提出的分割網(wǎng)絡(luò)效果作對(duì)比，圖3對(duì)同一張含高壓電線的遙感圖像進(jìn)行目標(biāo)分割對(duì)比實(shí)驗(yàn)。圖4展示了本文所用方法在其余一些背景下的遙感圖像細(xì)弱電線目標(biāo)分割結(jié)果圖示例。

圖3 遙感圖像分割結(jié)果對(duì)比示例Fig.3 Comparison of remote sensing image segmentation results

圖4 本文方法在其他遙感圖像中分割結(jié)果Fig.4 Segmentation results from other remote sensing images are presented

3.4 實(shí)驗(yàn)結(jié)果分析對(duì)比

上述實(shí)驗(yàn)內(nèi)容最終在測(cè)試集上取得94%的精確率，而使用原始的U-net網(wǎng)絡(luò)，在測(cè)試集上的精確率只有87%。從上面的圖3中可以看出，采用本文方法的預(yù)測(cè)結(jié)果與人工精細(xì)標(biāo)注十分相近，能夠很好地區(qū)分背景干擾對(duì)精細(xì)目標(biāo)電線分割帶來(lái)的影響，對(duì)于細(xì)弱目標(biāo)如高壓電線，能夠完整地分割出遙感圖像中的感興趣目標(biāo)而不會(huì)產(chǎn)生信息丟失。而且相比于常用的語(yǔ)義分割網(wǎng)絡(luò)U-net與SegNet, 本文提出的方法對(duì)目標(biāo)的分割效果更精確，在視覺(jué)上明顯有更加優(yōu)異的效果，能更好地抵抗背景噪聲的干擾。這主要得益于代價(jià)敏感權(quán)重化目標(biāo)函數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)上的改進(jìn)，增加了模型訓(xùn)練時(shí)對(duì)細(xì)弱目標(biāo)的注意力，進(jìn)而增加了對(duì)細(xì)弱目標(biāo)的分割精度。另外，通過(guò)集成學(xué)習(xí)的多模型融合方法，使得分割精度最終得到了進(jìn)一步的提升，取得了令人滿意的精細(xì)分割效果。

采用上述幾種常用的分割方法與本文方法對(duì)相同含高壓電線的遙感圖像進(jìn)行目標(biāo)分割，并且進(jìn)一步根據(jù)圖像的評(píng)價(jià)指標(biāo)包括查準(zhǔn)率、召回率和F1系數(shù)以及Jaccard系數(shù)來(lái)對(duì)圖像分割質(zhì)量進(jìn)行客觀評(píng)估?；诒疚乃岢龅牡难芯糠椒?，最終評(píng)價(jià)指標(biāo)Jaccard系數(shù)能夠達(dá)到90%，各方法的評(píng)價(jià)指標(biāo)對(duì)比如表1所示。

表1 幾種常用分割方法評(píng)價(jià)指標(biāo)對(duì)比

從表1可以看出本文所使用的Dense-Unet網(wǎng)絡(luò)在各個(gè)精度指標(biāo)中均比現(xiàn)有的Unet和SegNet等網(wǎng)絡(luò)效果要更好。而且使用集成學(xué)習(xí)方法后，測(cè)試集中的各項(xiàng)精度指標(biāo)同樣進(jìn)一步取得提升，突出了本文算法整體的優(yōu)越性。在算法模型復(fù)雜度和推理時(shí)間方面。Dense-Unet的模型由于使用了更深的卷積層架構(gòu)和更多的稠密連接，在模型大小上要超過(guò)Unet和SegNet方法。但是在1024×1024大小的單張圖片推理的時(shí)間上，Dense-Unet模型和其余2種網(wǎng)絡(luò)對(duì)比，在1080Ti GPU上得到的預(yù)測(cè)時(shí)間為0.125 s，相比于U-net的0.092 s和SegNet的0.103 s，模型速度上并沒(méi)有太大的差異。但由于本文使用了集成學(xué)習(xí)的方法，最終整體預(yù)測(cè)所需時(shí)間為0.32 s。考慮到實(shí)際衛(wèi)星遙感圖像在傳輸過(guò)程中，多為間隔一定時(shí)間分批次發(fā)送到地面。而衛(wèi)星每次與地面更新圖像的間隔時(shí)間遠(yuǎn)大于本文算法處理圖像所需的時(shí)間。因此可以視為衛(wèi)星遙感圖像是離線處理的，本文方法最終能夠滿足實(shí)際遙感圖像的速度需求。

4 結(jié)論

1)本文算法主要的貢獻(xiàn)及優(yōu)異性如下：①網(wǎng)絡(luò)模型通過(guò)加深卷積層和使用各卷積層間的稠密連接方法，加強(qiáng)了網(wǎng)絡(luò)對(duì)細(xì)弱目標(biāo)特征的識(shí)別與利用能力，從而有效提升了遙感圖像中細(xì)弱目標(biāo)的分割精度。②通過(guò)網(wǎng)絡(luò)間的批標(biāo)準(zhǔn)化處理和采用SeLU激活函數(shù)，加快了網(wǎng)絡(luò)訓(xùn)練時(shí)的收斂速度，避免了梯度消失現(xiàn)象的發(fā)生。③考慮到遙感圖像中細(xì)弱目標(biāo)占圖片信息比例過(guò)少，存在典型的類別非均衡問(wèn)題，使用了基于類別代價(jià)敏感權(quán)重的改進(jìn)目標(biāo)函數(shù)，增強(qiáng)了網(wǎng)絡(luò)模型對(duì)小類別的學(xué)習(xí)能力。④最終為了進(jìn)一步提升對(duì)細(xì)弱目標(biāo)的分割精度，采用集成學(xué)習(xí)的方法訓(xùn)練了多組網(wǎng)絡(luò)模型進(jìn)行融合。

2)本文所使用方法在谷歌地圖遙感圖像測(cè)試集中對(duì)高壓電線一類細(xì)弱目標(biāo)進(jìn)行分割，在測(cè)試集中取得了94%的測(cè)試精確率，顯著提升了遙感圖像中細(xì)弱目標(biāo)的分割效果。與現(xiàn)有常用的語(yǔ)義分割網(wǎng)絡(luò)U-net及SegNet相比，改進(jìn)后的Dense-Unet網(wǎng)絡(luò)與集成學(xué)習(xí)方法在處理遙感圖像細(xì)弱目標(biāo)時(shí)，具有更好的分割精度和更優(yōu)異的視覺(jué)感知效果，

由于本文算法上述的優(yōu)異性，除了對(duì)于遙感圖像中高壓輸電線路和同類細(xì)弱目標(biāo)有精準(zhǔn)的分割效果之外，本文算法對(duì)于其他圖像中存在的受背景干擾較大、目標(biāo)占圖像信息較少的小類別目標(biāo)同樣有較好的分割效果。后續(xù)的研究將進(jìn)一步嘗試探索本文方法在更多情景圖像中的目標(biāo)分割效果。