基于自级联卷积神经网络的高分辨率影像语义标注
计算机视觉与模式识别
2018-07-31 v1 人工智能
机器学习
摘要
城市区域甚高分辨率(VHR)影像的语义标注，在广泛的遥感应用中具有重要意义。然而，许多易混淆的人造地物与复杂的精细结构地物，使得同时获得连贯且准确的标注结果十分困难。针对此挑战性任务，我们提出一种基于卷积神经网络(CNNs)的新颖深度模型，即端到端自级联网络(ScasNet)。具体地，对于易混淆人造地物，ScasNet通过序贯的全局到局部上下文聚合改善标注连贯性。技术上，多尺度上下文在CNN编码器的输出上捕获，随后以自级联方式依次聚合。同时，对于精细结构地物，ScasNet通过由粗到细的精炼策略提升标注精度。其利用CNN浅层学习的低层特征逐步精炼目标地物。此外，为纠正ScasNet内部多特征融合引起的潜在拟合残差，提出一种专门的残差校正方案。其大幅提升了ScasNet的有效性。在三个公开数据集(包括两个具挑战性基准)上的大量实验结果表明，ScasNet取得了最先进的(state-of-the-art)性能。
引用
@article{arxiv.1807.11236,
title = {Semantic Labeling in Very High Resolution Images via a Self-Cascaded Convolutional Neural Network},
author = {Yongcheng Liu and Bin Fan and Lingfeng Wang and Jun Bai and Shiming Xiang and Chunhong Pan},
journal= {arXiv preprint arXiv:1807.11236},
year = {2018}
}
备注
accepted by ISPRS Journal of Photogrammetry and Remote Senseing 2017