基于注意力與多尺度特征遙感圖像建筑物分割

劉 艷，劉全德,3+

(1.大連大學(xué) 信息工程學(xué)院，遼寧 大連 116622；2.大連大學(xué) 大連市環(huán)境感知與智能控制重點實驗室，遼寧 大連 116622；3.山東港口科技集團日照有限公司，山東 日照 276800)

0 引 言

近年來，隨著城市化進程的不斷加快，高分辨率遙感影像建筑物提取在城市規(guī)劃、人口估算和智慧城市三維重建等方面越來越重要。作為像素級分割問題，特征提取是關(guān)鍵，常用方法有兩大類[1]：一是人工提取特征，二是基于深度學(xué)習(xí)自動提取特征。人工提取方法只利用目標淺層特征，未涉及復(fù)雜建筑物深層的多尺度特征，提取精度低[2]。Alshehhi等[3]用卷積神經(jīng)網(wǎng)絡(luò)圖像塊分類方法自動學(xué)習(xí)和提取道路及建筑物特征，分割中塊狀區(qū)域會產(chǎn)生模糊鋸齒狀邊緣[4]，全連接層使批處理過程存在大量冗余計算，占用內(nèi)存大。Sun等[5]采用全卷積神經(jīng)網(wǎng)絡(luò)FCN語義分割架構(gòu)，用卷積層代替網(wǎng)絡(luò)中的全連接層，減少冗余計算，用反卷積進行語義分割，消除圖像塊分割中塊狀區(qū)域帶來的鋸齒狀邊緣，但空間信息損失嚴重，對圖像細節(jié)不敏感。Ronneberger等[6]提出一種U-Net架構(gòu)，在FCN基礎(chǔ)上增加跳躍連接拼接深層和淺層圖像特征，解決網(wǎng)絡(luò)信息損失嚴重問題，但僅關(guān)注恢復(fù)特征圖的分辨率，忽略了深層次特征獲取和不同層次特征之間的語義鴻溝問題。Zhou等[7]優(yōu)化原U-Net網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)計嵌套密集跳躍連接，構(gòu)建新U-Net++網(wǎng)絡(luò)，減小深層和淺層特征之間語義鴻溝，但無法精確提取深層特征。Chaurasia等[8]為提取深層次特征，在傳統(tǒng)U-Net中引入ResNet18連接編碼器與解碼器，構(gòu)建了實時輕量級網(wǎng)絡(luò)LinkNet，但忽略了圖像多尺度信息。Zhou等[9]提出D-LinkNet模型，在LinkNet基礎(chǔ)上加入并聯(lián)空洞卷積層，執(zhí)行道路提取任務(wù)，在不損失分辨率的同時增大感受野，提高挖掘全局上下文信息能力，但易錯誤分割且分割連續(xù)性差。大量研究表明[10]，上述編碼-解碼器網(wǎng)絡(luò)在遙感圖像分割中對小建筑物分割效果并不理想，未考慮建筑物集群間的邊界粘連問題。

本文基于U-Net網(wǎng)絡(luò)提出融合注意力機制與多尺度特征增強的語義分割模型FAME-Net。優(yōu)化編碼器網(wǎng)絡(luò)，融合其通道和空間維度注意力機制，提高對小型建筑物特征提取能力；在網(wǎng)絡(luò)中增設(shè)錨點特征增強C-ASPP模塊；解碼階段進行多尺度特征融合，引入平均損失函數(shù)，有效利用多尺度特征。在Inria遙感影像數(shù)據(jù)集上驗證本方案的有效性和實用性。

1 FAME-Net網(wǎng)絡(luò)結(jié)構(gòu)

傳統(tǒng)U-Net模型網(wǎng)絡(luò)較淺，無法提取深層次特征；上采樣和下采樣操作中存在信息丟失問題；不具備小目標和集群邊界粘連分割能力。因此，本文構(gòu)建一個端到端的語義分割網(wǎng)絡(luò)模型FAME-Net。結(jié)合恒等映射殘差網(wǎng)絡(luò)，優(yōu)化傳統(tǒng)U-Net網(wǎng)絡(luò)結(jié)構(gòu)，在編碼器中用殘差網(wǎng)絡(luò)取代編碼器原有網(wǎng)絡(luò)結(jié)構(gòu)，解決遙感影像細節(jié)空間深層次特征的提取問題，保證模型不退化，同時在殘差網(wǎng)絡(luò)中融合了通道和空間注意力機制，使模型專注于學(xué)習(xí)建筑物特征，有效抑制無關(guān)信息干擾，改善中小型建筑物分割精度。增設(shè)中間層—空間金字塔池化層C-ASPP，重新整定空洞卷積擴張率，平衡模型對大小目標的敏感度；引入拉普拉斯算子，優(yōu)化卷積核錨點權(quán)重系數(shù)，提高建筑物邊緣輪廓的描述能力。在解碼器中添加特征融合機制，通過設(shè)計平均損失函數(shù)，提高不同尺度的特征信息利用率。本方案FAME-Net模型由編碼器、中間層、解碼器三部分組成，如圖1所示。

圖1 FAME-Net特征增強網(wǎng)絡(luò)結(jié)構(gòu)

1.1 融合注意力機制的殘差網(wǎng)絡(luò)

編碼器特征提取能力對圖像分割的結(jié)果影響很大。卷積神經(jīng)網(wǎng)絡(luò)越深所提取的特征越抽象，語義信息越多，傳統(tǒng)U-Net網(wǎng)絡(luò)分割方法網(wǎng)絡(luò)層數(shù)較少，無法有效提取遙感圖像深層次特征，圖像細節(jié)描述能力不足，增加編碼器網(wǎng)絡(luò)層數(shù)則會出現(xiàn)梯度消失和梯度爆炸模型退化問題[11]。

為此，本文在編碼器中用恒等映射殘差網(wǎng)絡(luò)獲取深層次特征，同時規(guī)避模型退化問題?？紤]殘差網(wǎng)絡(luò)全連接層帶來的參數(shù)冗余，本文設(shè)計了一個不含全連接層的ResNet33殘差網(wǎng)絡(luò)，如圖2所示。

圖2 ResNet33殘差網(wǎng)絡(luò)

增加殘差網(wǎng)絡(luò)深度能提升特征表達能力，但獲取的深層次特征缺乏語義信息，會對建筑物分割造成干擾，不能從根本上解決小目標分割和邊界粘連問題。為此，本文引入注意力機制捕獲全局關(guān)鍵語義信息，加大建筑物區(qū)域權(quán)重，提高模型對建筑物的分割能力。常用的擠壓和激勵(squeeze-and-excitation)SE通道注意力[12]模塊缺乏空間位置信息，降維操作對小目標分割效果不佳[13]。受卷積塊注意力模塊CBAM(convolutional block attention module)[14]和高效通道注意力ECA(efficient channel attention)[13]模塊的啟發(fā)，本文在編碼器中對通道注意力機制和空間注意力機制進行級聯(lián)融合，設(shè)計了如圖3所示的融合注意力機制(fusion attention mechanism，F(xiàn)AM)，其中，σ代表Sigmoid激活函數(shù)，W,H,C分別代表特征圖的寬、高和通道數(shù)。

圖3 融合注意力機制

為獲取不同通道信息，捕獲信息的跨通道交互，提高小型建筑物的提取能力，本文在通道注意力機制SE基礎(chǔ)上，提出一個改進的通道注意力機制CAM，如圖3所示。首先，用不降維方法取代降維方法，對特征圖U進行通道級全局平均池化GAP(global average pooling)，獲取不同通道信息，實現(xiàn)擠壓操作；其次，取消全連接層，使用卷積核大小為kyw的快速一維卷積捕獲跨通道局部交互信息，用Sigmoid激活函獲取通道權(quán)值，得到高效通道依賴關(guān)系，減少參數(shù)量，降低模型計算復(fù)雜度，kyw由通道附近參與注意力預(yù)測的通道數(shù)C自適應(yīng)確定，式(1)中的 |.|odd表示最近奇數(shù)，β=2，b=1。最后，將通道權(quán)值與輸入特征圖點乘，進行權(quán)重分配，得到不同重要程度的通道特征圖，提升網(wǎng)絡(luò)對主要特征的敏感度，抑制無用特征的干擾空間注意力模塊SAM先經(jīng)過全局最大池化GMP(global maximum pooling)[15]獲取當前空間感受野下的細節(jié)信息，經(jīng)1×1卷積，Sigmoid激活函數(shù)獲取空間維度的加權(quán)特征圖。為有效獲得通道下精確的空間位置特征信息，將CAM與SAM進行級聯(lián)，加大建筑物區(qū)域權(quán)重，增強目標區(qū)域有效特征。

(1)

融合注意力機制的輸入輸出尺寸與每層殘差網(wǎng)絡(luò)的輸入輸出保持一致，為獲取每一層目標區(qū)域特征，如圖4所示，將融合注意力機制添加至每層殘差單元后，保證有效獲取建筑物關(guān)鍵位置有效特征，屏蔽樹木、道路等環(huán)境因素干擾。

圖4 融合注意力的殘差網(wǎng)絡(luò)結(jié)構(gòu)ResNet33

1.2 錨點特征增強的空間金字塔池化

在遙感圖像特征提取過程中，編碼器網(wǎng)絡(luò)為增大感受野，圖像尺寸每經(jīng)過一次池化層的下采樣操作被縮小到1/4，使得3/4的像素信息被丟失，這些像素信息在上采樣時無法重建，導(dǎo)致特征提取效率下降，影響建筑物分割的準確性。為此，本文在編碼器和解碼器之間引入了空洞空間金字塔池化層ASPP，在減少分辨率損失的基礎(chǔ)上，增大感受野獲得多尺度的信息。

在卷積神經(jīng)網(wǎng)絡(luò)中，卷積核尺寸和擴張率決定了感受野的大小[16]，如式(2)所示，式中RF為感受野大小，r為擴張率，kkd為空洞卷積核大小

RF=kkd+(kkd-1)(r-1)

(2)

不同尺度感受野對比如圖5所示，大小感受野對不同尺度的目標識別能力是不一樣的，圖5(b)、圖5(c)中，小感受野提取大建筑物會導(dǎo)致采樣信息丟失，大感受野提取小建筑物會引入不必要的周圍環(huán)境干擾信息，如樹木、道路，合適的感受野能保證建筑物的分割準確度。

圖5 不同尺度感受野對比

由式(2)知，空洞空間金字塔ASPP中擴張率為1,6,12,18的卷積核的感受野分別是1×1，13×13，25×25和37×37，其中25×25和37×37感受野較大，導(dǎo)致遠距離卷積得到的信息無相關(guān)性[17]，對小目標敏感度降低，不利于遙感圖像中微小物體的分割。ASPP中3×3卷積核的擴張率全為偶數(shù)且有公約數(shù)6，仍會導(dǎo)致像素之間信息不連續(xù)，存在一些空洞，使一些像素被遺漏，從而產(chǎn)生局部信息丟失[18]。

為平衡模型對大小目標的敏感度，本文借鑒混合空洞卷積(HDC)[18]的思想，優(yōu)化擴張率過程中引入式(3)所示的約束條件，將擴張率設(shè)計為鋸齒狀結(jié)構(gòu)，滿足大目標小目標的分割要求。式(3)中，ri是第i層的擴張率，Mi是第i層的最大擴張率

Mi=max[Mi+1-2ri,Mi+1-2(Mi+1-ri),ri]

(3)

為規(guī)避棋盤效應(yīng)，減少信息丟失，根據(jù)遙感圖像特征圖尺寸和感受野需求，本文使用奇偶混合擴張率法對卷積核進行擴張，鑒于HDC要求疊加卷積的擴張率不能有大于1的公因數(shù)，采用式(3)重新整定ASPP擴張率為1,2,5,9,覆蓋了圖像上的每個像素點，避免信息丟失，擴張率整定后卷積核的感受野分別減小為1×1，5×5，11×11，19×19，解決了小目標的提取問題，有效平衡了模型對大小目標的敏感度。

ASPP采用的是4個并行不同擴張率的空洞卷積，即使用多個感受野提取圖像特征，隨著擴張率的增大，非零采樣點占比快速下降，卷積核錨點位置信息權(quán)重被弱化，影響模型對遙感圖像建筑物邊緣輪廓的描述能力。

在高斯權(quán)重的基礎(chǔ)上，引入感受野大小，得如式(4)所示的卷積核錨點位置權(quán)重PW計算式，其中， (x,y) 為卷積核的坐標位置，PSD為該坐標位置的標準差。由式(4)知，擴張率2,5,9卷積核錨點位置權(quán)重分別為0.064、0.013、0.004，顯然擴張率為9的卷積核對邊緣輪廓的描述能力被嚴重弱化

(4)

為此，本文設(shè)計的錨點特征增強的C-ASPP結(jié)構(gòu)如圖6所示，僅針對最大擴張率的卷積核錨點進行特征增強，圖6(a)中在擴張率為9的卷積核中引入了拉普拉斯算子[19]，進行錨點權(quán)重系數(shù)優(yōu)化，構(gòu)建錨點特征增強的空間金字塔池化C-ASPP模塊。為增強特征圖中心區(qū)域的權(quán)重信息，如圖6(b)所示，用拉普拉斯邊緣檢測算子G替換卷積核錨點及其4鄰域的值，將錨點及其4鄰域作為有效點一同提取特征，在拉普拉斯邊緣檢測算子構(gòu)成的3×3卷積中，利用局部空間特征信息提取新的錨點邊緣特征信息權(quán)重IW，卷積過程如式(5)所示，卷積輸出結(jié)果作為錨點的特征信息

圖6 錨點特征增強的C-ASPP結(jié)構(gòu)

X*G=IW

(5)

1.3 多尺度特征融合與平均損失函數(shù)

淺層特征和深層特征在空間和語義表達能力方面有著不同的優(yōu)勢，淺層特征雖然感受野較小，但包含了豐富的空間結(jié)構(gòu)信息，適合處理小目標；深層結(jié)構(gòu)雖然感受野較大，適合大目標分割，但空間幾何特征細節(jié)缺乏，不適合小目標的處理。為提升FAME-Net小目標分割性能，如圖1所示，本文在解碼器中使用融合層策略設(shè)計一個多尺度特征融合模塊，將淺層特征和深層特征進行融合。為求取N層特征圖的多尺度損失，設(shè)計了如下平均損失函數(shù)LFinal

(6)

由圖1可知，N=5，式中復(fù)合損失函數(shù)LBCE-Dice由二值交叉熵損失函數(shù)LBCE和Dice系數(shù)損失函數(shù)LDice表述，λ用于平衡兩個損失函數(shù)，λ值由損失函數(shù)超參數(shù)權(quán)重實驗獲取，在此取為0.1

LBCE-Dice=λLDice+LBCE

(7)

LBCE由式(8)計算，其中P表示預(yù)測值，GT表示真實值，w和h分別代表圖像的寬度和高度，gtij和pij代表真實值和預(yù)測值的每個像素點

(8)

LBCE對類別不平衡圖像中正樣本像素類別特征學(xué)習(xí)困難且易陷入局部最優(yōu)，導(dǎo)致訓(xùn)練出的模型魯棒性不佳[20]，為此，本文引入LDice[21]用于提高模型魯棒性，其定義如下

(9)

為規(guī)避U-Net解碼器使用雙線性插值逐層上采樣造成的信息丟失問題，特征融合中將不同層次的特征圖進行16倍、8倍、4倍、2倍的上采樣直接還原成原有特征圖尺寸。利用通道維度Concat方法將不同尺度特征進行拼接，充分利用多尺度的特征信息。

2 實驗與結(jié)果分析

為驗證所提方案對小型建筑物多尺度遙感圖像的分割性能，基于Inria遙感影像公開數(shù)據(jù)集[22]，將本文所提模型與U-Net、Link-Net、D-LinkNet和U-Net++在模型精度、小型建筑物識別和邊界粘連分割等方面進行對比實驗，驗證所提方法有效性。

2.1 Inria遙感影像數(shù)據(jù)集

2.2 實驗配置與訓(xùn)練

2.2.1 實驗平臺

為驗證本文所提算法的優(yōu)越性，建立對比實驗，本文所有實驗的軟硬件環(huán)境配置均保持一致，見表1。

表1 實驗環(huán)境配置

2.2.2 實驗設(shè)計

本文模型訓(xùn)練采取交叉驗證的方法，每次訓(xùn)練隨機選擇驗證集批量數(shù)據(jù)計算損失和精度，并優(yōu)化模型的訓(xùn)練。由于GPU顯存限制，每個batch由亂序的4張圖片組成，Batchsize設(shè)置為4。

訓(xùn)練時，一個批次包含4幅512×512×3的RGB圖片，模型預(yù)測輸出與輸入圖片標簽進行比較，計算訓(xùn)練損失，評估訓(xùn)練網(wǎng)絡(luò)擬合能力。為使網(wǎng)絡(luò)快速收斂，自適應(yīng)調(diào)節(jié)學(xué)習(xí)率，使用帶動量的Adam算法[23]作為優(yōu)化器，初始學(xué)習(xí)率設(shè)為0.0001，動量為0.9。所有訓(xùn)練數(shù)據(jù)在每一輪迭代結(jié)束后用驗證集數(shù)據(jù)再次對模型擬合能力進行評估，保存最佳權(quán)重參數(shù)，迭代1000次。

預(yù)測階段，利用評價指標在Inria遙感影像數(shù)據(jù)集上對最佳權(quán)重模型進行性能測試與分析。在相同的實驗條件下，分別對U-Net、Link-Net、D-LinkNet、U-Net++和本文所提的FAME-Net模型在迭代性能、模型精度和圖像分割性能進行預(yù)測分析。

2.2.3 評價指標

為量化評價遙感圖像建筑物分割性能，本文分別采用式(10)、式(11)所示的平均交并比(mean intersection over union，mIoU)和F1分數(shù)(F1 score)作為評價指標，F(xiàn)1分數(shù)是計算精確率和召回率的調(diào)和均值，mIoU和F1的取值均介于[0,1]，mIoU越接近1分割結(jié)果越精確，F(xiàn)1分數(shù)越接近1模型魯棒性越高。實驗中，正確判斷為建筑物的樣本記為TP，錯誤判斷建筑物的樣本記為FP；正確判斷背景的樣本記為TN，錯誤判斷背景的樣本記為FN

(10)

(11)

2.3 性能測試與結(jié)果分析

2.3.1 迭代性能與模型精度分析

經(jīng)過1000次迭代，U-Net、Link-Net、D-LinkNet、U-Net++和本文所提FAME-Net模型損失和精度對比如圖7和圖8所示。橫坐標Epoch表示迭代次數(shù)，圖7縱坐標表示損失值，圖8縱坐標為平均交并比。訓(xùn)練損失和驗證損失分別衡量模型在訓(xùn)練集和測試集上的擬合能力，損失值越小表示預(yù)測結(jié)果和真實結(jié)果越逼近，模型的擬合度越好。由圖7(a)可以看出，經(jīng)過迭代200次U-Net、Link-Net、D-LinkNet、U-Net++網(wǎng)絡(luò)趨于收斂，上述網(wǎng)絡(luò)前期擬合速度較快，迭代300次左右5個網(wǎng)絡(luò)均收斂，F(xiàn)AME-Net損失值小于0.01，明顯小于其它模型，且無過擬合現(xiàn)象。由圖7(b)看出，受GPU顯存限制，實驗中Batchsize取值偏小，導(dǎo)致驗證損失曲線震蕩較劇烈，但與訓(xùn)練損失基本一致，模型整體訓(xùn)練較好。

圖7 不同模型損失對比

圖8 平均交并比

由圖7可知，所有測試模型在迭代300時基本收斂，由圖8和表2可以看出，訓(xùn)練模型收斂時，在平均交并比方面，U-Net、Link-Net、D-LinkNet和U-Net++分別為75.16%、78.32%、81.63%、81.98%，本文FAME-Net模型為84.10%，均高于其它網(wǎng)絡(luò)模型，比U-Net高出近9%；在F1分數(shù)方面，U-Net為80.62%，Link-Net 為84.96%，D-LinkNet為86.98%，U-Net++為87.62%。本文FAME-Net模型為89.02%，比D-LinkNet和U-Net++網(wǎng)絡(luò)高出近3%。綜上表明，F(xiàn)AME-Net模型在遙感圖像建筑物提取任務(wù)中具有較好的分割精度，同時擁有更加平衡的精確度和召回率，模型魯棒性高。

表2 各個模型的評價指標

2.3.2 小型建筑物識別結(jié)果分析

為驗證FAME-Net對小型建筑物目標提取和建筑物集群邊界粘連分割性能，本文隨機選擇了6幅包含小型建筑集群區(qū)域的數(shù)據(jù)集進行測試，該區(qū)域建筑物排列錯綜復(fù)雜，形狀、大小、屋頂顏色都各不相同。圖9和圖10分別展示了對比方法和本文所提方法在Inria遙感影像數(shù)據(jù)集上對建筑物的分割結(jié)果。圖中黑色代表背景，白色代表建筑物，其中圖(a)為RGB三通道的遙感圖像，圖(b)為建筑物真實標簽，圖(c)～圖(g)分別為U-Net、Link-Net、D-LinkNet、U-Net++和FAME-Net模型分割結(jié)果。

注：□為標記的小型建筑物分割情況圖9 小型建筑物提取結(jié)果

注：○為標記的建筑物集群粘連分割情況圖10 建筑物集群邊界粘連分割結(jié)果

由圖9實驗結(jié)果可知，圖9(c)和圖9(d)在分割與地面和植被顏色無差別的建筑物時均存在漏分、錯分現(xiàn)象，主要原因在于池化操作導(dǎo)致的信息丟失較多；圖9(e)和圖9(f)由于分別引入空洞卷積和新設(shè)計跳躍連接，增大了全局感受野，對不同尺寸建筑物信息比較敏感，一定程度上彌補了丟失的細節(jié)信息，相比于圖9(c)～圖9(d)的誤分問題明顯減少；圖9(g)對不同尺寸的建筑物分割效果均優(yōu)于圖9(c)～圖9(f)，主要原因在于C-ASPP模塊重新調(diào)整的擴張率和多尺度特征融合結(jié)構(gòu)對不同尺度的目標具有很好的適應(yīng)性，增強了不同尺度特征之間的關(guān)聯(lián)性，使模型對不同尺寸建筑物提取性能明顯提升。從圖9(c)～圖9(g)方框處對比可知，U-Net、Link-Net和D-LinkNet模型，對像素較小的建筑物提取能力均較差，第一行和第二行的小建筑物未識別出來，第三行將距離過近的小建筑物識別為一個整體，F(xiàn)AME-Net模型與其它3種模型相比，對小型建筑物的識別較為準確，分割準確率明顯提升，并未出現(xiàn)整個建筑物的漏分割，僅存在小部分建筑物由于遮擋過重導(dǎo)致預(yù)測不完整情形，原因在于FAME-Net的不降維級聯(lián)融合注意力機制既能抑制道路、樹木、車輛等無關(guān)信息的干擾，又能準確獲取小型建筑物關(guān)鍵的空間信息。

2.3.3 建筑物集群邊界粘連分割結(jié)果分析

建筑物集群的邊緣分割結(jié)果如圖10所示，圖10(c)～圖10(f)圓圈處由于樹木、道路等外物的干擾，且相鄰建筑物距離過近，訓(xùn)練中難以準確提取其邊緣特征，存在較為明顯的邊界不連續(xù)和粘連問題，圖10(g)相同位置處的建筑物邊界分割存在著明顯的改善，克服了復(fù)雜背景影響，有效地保留了建筑物邊界信息，建筑物輪廓清晰、完整，未出現(xiàn)較為明顯的誤預(yù)測，主要原因在于本文設(shè)計的錨點增強空間金字塔池化C-ASPP模塊，引入拉普拉斯算子，將錨點及其4鄰域作為有效點一同提取特征，在級聯(lián)融合注意力機制屏蔽無關(guān)信息干擾情況下，對建筑物邊緣輪廓特征進行增強。

3 結(jié)束語

針對目前遙感影像分割存在邊界不清楚、小目標分割難等問題，本文提出一種FAME-Net語義分割模型。在編碼階段使用ResNet33作為主干網(wǎng)絡(luò)并在空間和通道上融合注意力機制，提高了模型對小型建筑物能力。編碼器和解碼器中間設(shè)計了中心空間金字塔層C-ASPP，重新整定擴張率，平衡了模型對大小目標的敏感度；引入拉普拉斯算子，增強了模型對建筑物邊緣的學(xué)習(xí)能力。在解碼階段對多尺度信息進行融合，設(shè)計特征融合的平均損失函數(shù)，有效利用了多尺度特征。在Inria遙感影像數(shù)據(jù)集上與主流模型進行了對比實驗，結(jié)果表明，本文提出的FAME-Net模型能有效解決遙感圖像建筑物小目標分割和邊界粘連分割問題，模型迭代性能良好，分割準確率高。