用于土地覆盖分类的稠密膨胀卷积融合网络
摘要
由于标注数据有限、类别高度不平衡、像素级标注频繁出错以及语义分割任务固有的复杂性，遥感图像的土地覆盖分类是一项具有挑战性的任务。在本文中，我们提出一种称为稠密膨胀卷积融合网络（DDCM-Net）的新架构来解决该任务。所提出的 DDCM-Net 由具有不同膨胀率的稠密膨胀图像卷积融合而成。与遥感领域最先进的方法相比，这有效利用了丰富的膨胀卷积组合，以更少的参数和特征扩大了网络的感受野。重要的是，DDCM-Net 获取了融合的局部与全局上下文信息，实际上为极高分辨率航拍影像中颜色与纹理相似、多尺度且形状复杂的对象引入了周边的判别能力。我们在公开可用的 ISPRS Potsdam 和 Vaihingen 数据集以及 DeepGlobe 土地覆盖数据集上展示了所提出 DDCM-Net 的有效性、鲁棒性与灵活性。我们的单一模型在三维波段 Potsdam 和 Vaihingen 数据集上训练，在平均交并比（mIoU）和 F1-score 方面均取得了比使用多于三维波段数据训练的其他已发表模型更好的精度。我们进一步在 DeepGlobe 数据集上验证我们的模型，取得了 56.2% mIoU 的 SOTA 结果，与近期相关工作相比参数更少且计算成本更低。代码见 https://github.com/samleoqh/DDCM-Semantic-Segmentation-PyTorch
引用
@article{arxiv.2003.04027,
title = {Dense Dilated Convolutions Merging Network for Land Cover Classification},
author = {Qinghui Liu and Michael Kampffmeyer and Robert Jessen and Arnt-Børre Salberg},
journal= {arXiv preprint arXiv:2003.04027},
year = {2020}
}
备注
Semantic Segmentation, 12 pages, TGRS-2020 early access in IEEE Transactions on Geoscience and Remote Sensing. 2020, Code available at https://github.com/samleoqh/DDCM-Semantic-Segmentation-PyTorch