43、裂缝分割与遥感图像表征的深度学习方法研究

裂缝分割与遥感图像表征的深度学习方法研究

一、基于改进 YOLACT++ 算法的裂缝分割

1.1 YOLACT++ 算法概述

YOLACT++ 算法在裂缝分割任务中具有重要应用。其结构包含 Prediction Head、Protonet、NMS、Crop 等部分。具体流程为：相关数据经过一系列处理进入 Crop，Crop 的输出结果输入到 Mask Re - Scoring Network，预测掩码与真实标签之间的 IOU，将预测的 IOU 与分类置信度相乘得到最终分数，从而获得裂缝实例的分割图像。

1.2 YOLACT++ 模型改进

1.2.1 激活函数优化

卷积神经网络中的激活函数能够引入非线性因素，解决复杂的线性不可分问题。YOLACT++ 网络原本使用的是 ReLU 激活函数。
- ReLU 激活函数 ：其表达式为 (f(x) = Relu(x) = max(0, x))，能解决梯度消失问题，在大于 0 的区间是线性函数，可加速模型收敛速度。但当输入小于 0 时，神经元权重会得到零梯度，在反向传播时权重不会更新，神经元无法被激活。
- ReLU 激活函数优化 ：为解决上述问题，引入 Randomized Leaky ReLU（RReLU），表达式为 (f (x_t) = \begin{cases} x_t & x_t > 0 \ a_tx_t & x_t < 0 \end{cases})，其中 (a_t) 服从均匀分布 (U(l, u)) 并随机选取。使用 RReLU 激活函数可改善训练过程中部分