语义分割论文阅读笔记4

An improved U-Net method for the semantic segmentation of remote sensing images， 2022，SCI Q2

论文地址

摘要

目前在自然场景中训练的深度神经网络模型不能很好地迁移和应用于遥感图像语义分割。研究表明，包含模型融合的微调方法可以缓解这种困境。在本文中，我们提供了一种用于改进 U-Net 的方法，并提出了一种结合了 DenseNet、U-Net、扩张卷积和 DeconvNet 优点的端到端深度卷积神经网络（DCNN）。我们在Potsdam正射影像数据集上评估了所提出的方法和模型。与U-Net相比，我们的方法将PA、mPA和mIoU评估指标分别提高了11.1%、14.0%和13.5%；分割速度提升约1.18倍，参数数量为U-Net的59.0%。实验表明，对于高分辨率遥感图像的语义分割，使用组合扩张卷积作为主要特征提取器，使用转置卷积来恢复特征图的大小，减少层数是一种有效的方法。提高U-Net的综合性能。该研究丰富了基于DCNN的模型以及在特定场景中使用DCNN的模式。

引言

图像语义分割（ISS）为感兴趣的目标或前景分配一定的语义信息或语义标签，并区分背景。大多数传统的ISS方法基于特定的分类器。缺点是当图像背景复杂或目标实例较多时，分割不清晰、结果粗糙、分割类型单一。 随着计算能力的进步和人工深度神经网络（DNN）的复兴和繁荣，基于深度学习的图像语义分割方法（ISSbDL）显着消除了上述情况。这种方法可以预测像素来标记语