基于深度学习的遥感图像语义分割方法研究

作者基于遥感图像语义分割数据集，应用深度卷积神经网络，从通道注意力机制和特征融合角度，探索研究轻量级实时语义分割模型算法。利用卷积神经网络的特征提取能力，提出一种改进的轻量级实时语义分割模型SE-ENet，并引入特征融合策略，利用密集连接方式来堆叠不同层阶的特征信息，从而实现对高分辨率遥感图像精确与快速的分割。经过大量对比实验得出，所提模型在分割性能与计算速度方面平衡性能好，体现了其研究价值。

王溢琴，女，1980年生，山西高平人。2004年毕业于太原师范学院，2007年毕业于天津师范大学计算机与信息工程学院，获得工学硕士学位，现为晋中学院信息技术与工程系副教授。主要从事深度学习、图像处理及远程教学等方面的科研与教学工作。近5年来，主持省级以上课题3项，发表学术论文20余篇，其中SCI、EI收录2篇。

目.录 1.1研究背景及意义........................................................................................001 1.2深度学习与计算机视觉............................................................................003 1.3国内外研究现状........................................................................................005 1.4主要研究内容与章节安排........................................................................014 2.1卷积神经网络的基础结构........................................................................016 2.2卷积神经网络的训练与调优....................................................................027 2.3经典卷积神经网络模型............................................................................035 2.4.迁移学习....................................................................................................056 2.5.本章小结....................................................................................................059 3.1.全卷积神经网络........................................................................................060 3.2.基于 FCN的编码 -解码结构语义分割方法..........................................066 3.3.基于FCN的扩张卷积语义分割方法......................................................068 3.4.基于FCN的GAN语义分割方法 ............................................................075 3.5.基于FCN的轻量级语义分割方法 ..........................................................081 3.6.本章小结....................................................................................................087 4一种改进 ENet的遥感图像语义分割方法 4.1.融合SE模块的ENet网络架构 ...............................................................088 4.2.实验环境配置............................................................................................090 4.3.语义分割精度评价指标............................................................................093 4.4.常用数据集及数据增强............................................................................095 4.5.语义分割常用损失函数............................................................................102 4.6.实验结果分析............................................................................................103 4.7.本章小结....................................................................................................108 5.1.优化的 EFSE-ENet网络模型 ..................................................................109 5.2.实验设置....................................................................................................112 5.3.实验结果分析............................................................................................115 5.4.运行效率分析............................................................................................117 5.5.算法拓展....................................................................................................118 5.6.本章小结....................................................................................................125 6.1.总结............................................................................................................126 6.2.下一步研究工作........................................................................................127 6.3.展望............................................................................................................128