基于改进的U-Net模型的遥感影像植被提取研究

摘要

城市复杂环境中地物类型的多样性增加了城市植被遥感影像高精度提取的难度，但是深度学习理论的提出和方法的应用，给遥感影像植被信息提取带来了全新的视野。针对传统的U-Net神经网络模型对空间上下文信息利用不充分的问题，对其进行了改进，在模型中加入注意力机制以减少复杂背景的干扰，同时加入多尺度空洞空间金字塔池化结构(ASPP),以更好地结合上下文信息，在卷积模块加入残差连接有效缓解了多次卷积带来的梯度消失、信息损失等问题。基于ISPRS(Potsdam)数据集，进行实验以及精度评估，结果表明，改进后U-Net模型相比传统U-Net模型的准确率、交并比、F1分数、Kappa系数分别得到提升，改进后的U-Net模型能够以更高的精度从高分辨率遥感影像中进行像素级城市植被分割。

关键词

植被提取 / U-Net模型 / 残差结构 / 注意力机制 / 空洞空间金字塔池化