基于深度全卷积神经网络的SAR卫星图像道路分割
计算机视觉与模式识别
2018-08-17 v2
摘要
遥感在制图中被广泛使用。随着交通网络的扩展与变化，从卫星图像中自动提取道路对保持地图更新至关重要。合成孔径雷达(SAR)卫星可提供高分辨率地形图。然而，在这些数据中道路难以辨识，因为它们在视觉上与河流、铁路等目标相似。大多数SAR图像道路提取方法仍依赖于经典计算机视觉算法执行的先验分割。尽管深度学习技术在光学影像上应用成功，研究其潜力的文献很少。本快报评估了全卷积神经网络(FCN)用于SAR图像道路分割的性能。我们通过添加空间容差规则仔细增强其对细长物体的敏感性，研究了早期与最先进网络的相对性能。我们的模型展现出有前景的结果，成功提取了测试数据集中大部分道路。这表明，尽管全卷积神经网络原本对道路分割效率不足，但若适当调优仍能取得良好结果。由于分割质量随网络深度增加不能很好扩展，设计专门用于道路提取的架构应能获得更好性能。
引用
@article{arxiv.1802.01445,
title = {Road Segmentation in SAR Satellite Images with Deep Fully-Convolutional Neural Networks},
author = {Corentin Henry and Seyed Majid Azimi and Nina Merkle},
journal= {arXiv preprint arXiv:1802.01445},
year = {2018}
}
备注
5 pages, accepted for publication in IEEE Geoscience and Remote Sensing Letters