基于深度学习技术的高分辨率光学卫星影像温室分割

温室分割对于气候智慧型农业土地利用规划具有关键意义。基于深度学习的方法在自然图像分割中提供了最先进的性能。然而，由于环境复杂，高分辨率光学卫星影像上的语义分割是一项具有挑战性的任务。本文提出了一种针对 Azersky (SPOT-7) 光学卫星所获取图像进行逐像素分类的可靠方法。具体而言，采用了定制化的类 U-Net 架构变体来识别温室。提出了两种独特地结合了空洞卷积与跳跃连接的模型，并将结果与基线 U-Net 模型进行比较。所使用的数据集由全色锐化的正射校正 Azersky 图像（红、绿、蓝和近红外通道）及标注掩码组成，分辨率为 1.5 米，采集自阿塞拜疆 15 个温室密集拥挤的区域。图像覆盖总面积 1008 $km^2$，标注掩码共包含 47559 个多边形。性能评估采用 $F_1, Kappa, AUC$ 和 $IOU$ 分数。观察到仅在整个扩展路径中使用反卷积层不能产生令人满意的结果；因此，它们被双线性插值替换或与之耦合。所有模型均受益于难例挖掘（HEM）策略。还报道称，当加权二元交叉熵损失与 dice 损失耦合时，记录到 $93.29\%$ 的最佳准确率（$F_1\,score$）。实验结果表明，两种所提模型均优于基线 U-Net 架构，其中所提最佳模型相比基线架构得分高出 $4.48\%$。