基于图嵌入网络的语义分割方法研究
随着人类对空间的探索越来越频繁，在空天领域收集信息越来越便利，收集到的信息越来越多。如果对这些信息进行分析与利用，不仅会促进技术的发展，也将极大促进国民经济、国防安全等领域的进步。遥感图像作为这些信息中最直观的信息载体，对其进行分析利用有着极其重要的意义。 对于语义分割任务来讲，传统深度学习网络结构中的采样操作，虽然能够增大感受野、提高准确率，但损失了上下文信息。所以本文旨在研究上下文建模。文章首先阐述了网络模型所涉及到的基础理论知识，主要包括多层感知机、卷积神经网络、图卷积神经网络的介绍，特别地将本文涉及到的图嵌入理论进行了阐述。接着，详细介绍了本文所使用的方法，在HRNet网络的基础网络架构上嵌入了图卷积推理模块，并使用了LovaszSoftmaxLoss损失函数对原网络损失函数进行了替换，然后使用数据集对网络模型进行训练使其能够识别出建筑、道路、林地等地标特征。 实验过程中，分别对图推理单元以及LovaszSoftmaxLoss损失函数的有效性进行了验证，同时与其他网络模型进行了对比实验。实验结果以及训练过程中的可视化图表明图卷积推理模块以及LovaszSoftmaxLoss损失函数有助于语义分割的精度提升，以及整个网络相比于其他网络的优越性。 本文模型既能更好地学习到图像的数据特征，又避免了因学习数据特征而损失掉的位置信息。同时也在推理的准确性和效率性上面有所考量，利于模型能够实际应用落地。
遥感图像;语义分割;图嵌入网络;图推理单元;损失函数
西安石油大学
硕士
仪器仪表工程
肖忠祥
2022
中文
TP751
2023-05-23（万方平台首次上网日期，不代表论文的发表时间）