考虑局部归一化高度的双分支语义分割网络

摘要

归一化数字表面模型是表征地物高度、辅助遥感影像分类的重要特征，但是其片状、精度不稳定的特性制约了分类精度的提升.针对这个问题，该文提出了一种考虑局部归一化高度的双分支输入语义分割网络，一方面设计了一种双分支输入结构，分别提取地物的光谱特征和几何特征，并通过跳跃连接进行特征融合以充分学习地物多模态信息；另一方面提出了一种新的地物高度表征方法，结合深度神经网络受GPU显存限制只能处理较小区域影像的特点，在输入的数字表面模型局部区域内计算高度特征.最后通过在ISPRS标准数据集上对三种网络框架进行对比试验，证明了相较于仅使用光谱影像，该文方法总体精度提升了4.5%～4.7%,比使用归一化表面模型作为高度特征的分类方法具有更高的分类精度、计算效率和自动化程度.

关键词

数字表面模型 / 语义分割 / 深度学习 / 高度特征