用于遥感图像语义制图的密集扩张卷积融合网络
计算机视觉与模式识别
2019-09-02 v1 机器学习
图像与视频处理
摘要
我们提出了一种称为密集扩张卷积融合网络（DDCM-Net）的语义制图网络，以提供深度学习方法，用于识别极高分辨率遥感图像中颜色与纹理相似、多尺度且形状复杂的对象，如建筑物、地表/道路和树木。所提出的DDCM-Net由具有不同扩张率的密集扩张卷积融合而成。这能有效扩大卷积核的感受野，更重要的是获取融合的局部与全局上下文信息以提升周边判别能力。我们在公开可用的ISPRS Potsdam数据集上验证了所提DDCM-Net的有效性，仅使用RGB波段且不加任何后处理即取得92.3%的F1分数和86.0%的平均交并比精度。我们也在ISPRS Vaihingen数据集上展示了结果，经IRRG波段训练的DDCM-Net同样取得了优于以往最优方法的制图精度（89.8% F1分数）。
引用
@article{arxiv.1908.11799,
title = {Dense Dilated Convolutions Merging Network for Semantic Mapping of Remote Sensing Images},
author = {Qinghui Liu and Michael Kampffmeyer and Robert Jenssen and Arnt-Børre Salberg},
journal= {arXiv preprint arXiv:1908.11799},
year = {2019}
}
备注
JURSE 2019