基于分层融合CNN的超像素云检测
计算机视觉与模式识别
2018-10-22 v1
摘要
云检测在遥感图像处理过程中起着非常重要的作用。本文设计了一种基于卷积神经网络（CNN）和深度森林的超像素级云检测方法。首先，通过SLIC与SEEDS的结合将遥感图像分割为超像素。利用结构化森林计算各像素的边缘概率，并基于此更精确地分割超像素。分割后的超像素组成超像素级遥感数据库。尽管云检测本质上是一个二分类问题，我们的数据库被标注为四类：厚云、卷云、建筑及其他人工地物，以提升所提模型的泛化能力。其次，超像素级数据库用于训练基于CNN和深度森林的云检测模型。考虑到超像素级遥感图像相比通用物体分类数据库包含较少语义信息，我们提出了一种分层融合CNN（HFCNN）。它充分利用颜色和纹理等低级特征，更适用于云检测任务。在测试阶段，遥感图像中每个超像素由所提模型分类，然后通过所提距离度量（用于判定模糊超像素）组合以恢复最终二值掩膜。实验结果表明，相比传统方法，HFCNN能取得更好的精确率与召回率。
引用
@article{arxiv.1810.08352,
title = {Super-pixel cloud detection using Hierarchical Fusion CNN},
author = {Han Liu and Dan Zeng and Qi Tian},
journal= {arXiv preprint arXiv:1810.08352},
year = {2018}
}