基于编码器-解码器 CNN 与全连接 CRF 的遥感图像分割
计算机视觉与模式识别
2019-10-15 v1 图像与视频处理
摘要
随着遥感成像的发展，如今可以获取大量极高分辨率的 land cover 图像。然而，这些二维图像中目标的自动识别仍是一个关键问题。极高分辨率（VHR）图像中类内方差大、类间方差小，阻碍了目标识别任务的预测精度。近来各种计算机视觉任务中最成功的技术大多基于深度监督学习。本工作中，采用一种基于带跳跃连接的对称编码器-解码器架构的深度卷积神经网络（CNN）对最常见的 land cover 目标类别——不透水面、建筑物、低植被、树木和汽车——进行二维语义分割。所提出的 CNN 模型中采用空洞卷积以获得较大的感受野。此外，利用全连接条件随机场（FCRF）模型对 CNN 输出进行后处理，以细化 CNN 的像素标签预测。所提出的 CNN-FCRF 模型在 ISPRS Vaihingen 数据集上取得了 90.5% 的总体精度。
引用
@article{arxiv.1910.06041,
title = {Encoder-Decoder based CNN and Fully Connected CRFs for Remote Sensed Image Segmentation},
author = {Vikas Agaradahalli Gurumurthy},
journal= {arXiv preprint arXiv:1910.06041},
year = {2019}
}