基于改進(jìn)DeeplabV3+的農(nóng)村遙感圖像屋頂分割

王曉文 李頂根

1(華中科技大學(xué)中歐清潔與可再生能源學(xué)院 湖北 武漢 430074) 2(華中科技大學(xué)能源與動力工程學(xué)院 湖北 武漢 430074)

0 引 言

從建筑屋頂收集太陽能來替代傳統(tǒng)能源是緩解現(xiàn)代能源壓力的重要方式，大范圍的農(nóng)村建筑屋頂太陽能資源潛力的評估對推進(jìn)太陽能開發(fā)利用有重要意義。目前已有太陽能屋頂分割方案大多數(shù)針對城市地區(qū)，較少針對農(nóng)村地區(qū)，而農(nóng)村地區(qū)的房屋種類較多，個體差異較大，且呈小區(qū)域分散的狀態(tài)，使得現(xiàn)有模型對農(nóng)村地區(qū)屋頂分割效果不佳。如何有效地分割出農(nóng)村地區(qū)太陽能屋頂值得進(jìn)一步研究和探討。

1 建筑屋頂分割的研究進(jìn)展

目前，國內(nèi)外在遙感圖像屋頂分割方面已進(jìn)行許多研究。李勇[1]基于DSM數(shù)據(jù)與航空影像，目視解譯跟蹤矢量化而得到上海中心城區(qū)的建筑物屋頂數(shù)據(jù)。宋曉陽[2]提出了一種融合了光譜、形狀及空間信息的針對建筑物提取的多尺度分割方法，并將高度信息(DSM)和植被指數(shù)(NDVI)作為影響因子加入多尺度分割方法中。楊蘊等[3]提出了基于局部空間信息的閾值分割法，可自適應(yīng)地確定類別數(shù)和閾值，從而完成遙感圖像的多閾值分割。韋春桃等[4]利用雙數(shù)復(fù)小波提取特征，通過馬爾可夫隨機場算法完成遙感圖像的分割的同時降低了噪聲的影響。Espindola等[5]提出了一個目標(biāo)函數(shù)，用于為區(qū)域增長分割算法選擇更加合適的參數(shù)，可以提高分割的精度[5]。Li等[6]提出使用高置信度的邊緣信息去指導(dǎo)檢測邊界較弱的對象，從而提高圖像分割的定位精度。

以上這些方法一般都是通過手工進(jìn)行特征的提取，提取的過程較為復(fù)雜，需要該領(lǐng)域的專業(yè)人員和對特征的有效性驗證，耗時耗力。因此，針對復(fù)雜場景的遙感圖像，傳統(tǒng)圖像分割技術(shù)難以實現(xiàn)較好的效果。近年來，隨著神經(jīng)網(wǎng)絡(luò)的快速發(fā)展，相比于傳統(tǒng)機器學(xué)習(xí)，多層隱藏層的深度神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)能力更強，效果更好，基于深度學(xué)習(xí)的遙感圖像分割已經(jīng)成為國內(nèi)外學(xué)者研究的熱門方向。何平等[7]提出一種新的生成對抗網(wǎng)絡(luò)分割方法，緩解了普通方法分割存在的孔洞問題，實現(xiàn)了遙感圖像居民區(qū)的分割。Basaeed等[8]依賴特征檢測器提出了融合多個增強網(wǎng)絡(luò)的框架完成遙感圖像的分割。Sun等[9]提出融合自然顏色、紅外圖像和數(shù)字表面模型等多模式數(shù)據(jù)提高遙感圖像的分割精度。而相較于城市建筑而言，農(nóng)村地區(qū)屋頂差異更大，建筑風(fēng)格更多樣化，小目標(biāo)建筑更多，使得現(xiàn)有模型對農(nóng)村地區(qū)屋頂分割效果不佳。因此，提出基于改進(jìn)DeeplabV3+的端到端的農(nóng)村地區(qū)遙感圖像屋頂分割算法，主要包括以下三個方面：

1) 較大擴(kuò)張率的空洞卷積會造成棋盤格效應(yīng)，故在空洞卷積金字塔池化結(jié)構(gòu)末尾加入棋盤格平滑模塊，對特征圖進(jìn)行密集采樣，有效地捕獲局部信息，緩解信息利用率低下的問題。

2) 原DeeplabV3網(wǎng)絡(luò)的解碼器部分過于簡單，缺乏低水平的特征，對此在解碼器網(wǎng)絡(luò)中多加一路低水平特征，增加特征信息。

3) 原始網(wǎng)絡(luò)的解碼器預(yù)測的目標(biāo)邊界較粗糙，對此提出了通道注意力解碼器，增加網(wǎng)絡(luò)對重要特征的篩選能力，進(jìn)一步恢復(fù)圖像的空間細(xì)節(jié)。

2 改進(jìn)的DeeplabV3+分割算法

2.1 DeeplabV3+網(wǎng)絡(luò)原理

選擇DeeplabV3+作為農(nóng)村屋頂分割的基礎(chǔ)網(wǎng)絡(luò)模型。DeeplabV3+網(wǎng)絡(luò)采用的是圖像語義分割領(lǐng)域常見的編碼器-解碼器結(jié)構(gòu)，DeeplabV3+模型的整體架構(gòu)如圖1所示，它的編碼器主體是帶有空洞卷積的深度卷積神經(jīng)網(wǎng)絡(luò)，用于提取圖像的特征，然后是帶有空洞卷積的空間金字塔池化模塊，主要是為了引入多尺度信息；相比DeeplabV3，DeeplabV3+引入了解碼器模塊，其將底層特征與高層特征進(jìn)一步融合，提升分割邊界準(zhǔn)確度。

圖1 DeeplabV3+網(wǎng)絡(luò)結(jié)構(gòu)示意圖

1) 編碼器。在編碼器-解碼器結(jié)構(gòu)中，編碼器首先將輸入圖像傳入帶深度卷積神經(jīng)網(wǎng)絡(luò)，以提取豐富的抽象特征，并在特征提取網(wǎng)絡(luò)中使用空洞卷積代替標(biāo)準(zhǔn)卷積，以擴(kuò)大感受野范圍?？斩淳矸e本質(zhì)上就是在標(biāo)準(zhǔn)的卷積核中加入空洞，從而在不大幅減小圖像尺寸的同時獲得更大的感受野。傳統(tǒng)卷積操作運算公式如下：

(1)

式中：σ表示激活函數(shù)；f表示特征圖的值；g表示卷積核的值；b表示偏置。

空洞卷積在傳統(tǒng)卷積基礎(chǔ)上增加了參數(shù)空洞率d，普通的卷積可以認(rèn)為其空洞率等于1，空洞率控制著感受野的大小，空洞率越大則感受野越大，具體計算公式如下：

(2)

編碼器再將深度神經(jīng)網(wǎng)絡(luò)提取到的抽象特征傳入空間金字塔池化模塊(ASPP)，通過并聯(lián)不同空洞率的空洞卷積提取多尺度上下文信息，幫助網(wǎng)絡(luò)獲得更可靠的結(jié)果，ASPP模塊主要包含以下幾個部分：

(1) 一個1×1卷積層，以及三個3×3的空洞卷積。

(2) 一個全局平均池化層，用來得到圖像級別的特征圖。

(3) 將(1)和(2)得到的4個不同尺度的特征在通道維度上拼接在一起，然后送入1×1的卷積進(jìn)行融合并得到256通道的新特征。該新特征會被傳入解碼器。

2) 解碼器。對于DeeplabV3，經(jīng)過ASPP模塊得到的特征圖的輸出步幅為16，其經(jīng)過1×1的分類層后直接雙線性插值到原始圖片大小，這是一種非常暴力的解碼方法，這十分不利于得到較精細(xì)的分割結(jié)果，故DeeplabV3+模型中借鑒了編碼-解碼結(jié)構(gòu)，引入了新的解碼器模塊，如圖1中解碼器部分所示。首先將編碼器得到的特征雙線性插值得到4倍大小的特征，然后與來自編碼器特征提取網(wǎng)絡(luò)中具有相同空間分辨率的相應(yīng)低級特征進(jìn)行級聯(lián)。值得注意的是，由于編碼器低級特征維度較高，防止編碼器得到的高級特征被弱化，因此在編碼器中的低水平特征之后應(yīng)用1×1卷積層進(jìn)行降通道。將編碼器低水平特征與編碼器輸出特征拼接后，應(yīng)用3×3卷積以細(xì)化特征，在雙線性上采樣4倍，使得輸出空間分辨率與輸入相同。

2.2 棋盤格平滑模塊

原DeeplabV3+使用空洞卷積替代下采樣來擴(kuò)大感受野，但是空洞卷積存在網(wǎng)格效應(yīng)，也稱棋盤格問題。因為空洞卷積得到的某一層的結(jié)果中，鄰近的像素是從相互獨立的子集中卷積得到的，相互之間缺少依賴。這就造成兩個問題：(1) 局部信息丟失問題。由于空洞卷積在特征圖上是離散的采樣，卷積的結(jié)果表現(xiàn)為特征圖中離散點的關(guān)系，而忽略了連續(xù)點之間的局部信息，在串聯(lián)的空洞卷積結(jié)構(gòu)和較大空洞率的空洞卷積中，局部信息丟失問題愈發(fā)嚴(yán)重。(2) 較大間距獲取的信息缺乏相關(guān)性。由于空洞卷積離散采樣的特性，使得較大間距卷積得到的信息之間沒有相關(guān)性，影響預(yù)測結(jié)果。針對此類問題，設(shè)計了棋盤格平滑模塊，在帶有空洞卷積的深度卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征之后，在空洞空間金字塔池化結(jié)構(gòu)之前，增加了擴(kuò)張率較小的兩個卷積操作，使采樣點之間更密集，可以增強特征圖像素間的交互關(guān)系，緩解網(wǎng)格效應(yīng)，如圖2所示。

圖2 棋盤格平滑模塊

為了減少棋盤格平滑模塊的參數(shù)，降低計算復(fù)雜度，首先對輸入的高維特征圖進(jìn)行降維，輸出256維的特征圖，然后依次連接空洞率為2和1的卷積操作，在整個棋盤格平滑模塊中，特征圖的維度都是256。由于DeeplabV3+網(wǎng)絡(luò)較深，容易產(chǎn)生梯度彌散和梯度爆炸問題，一般會在網(wǎng)絡(luò)中間層增加殘差連接，使得模型能夠?qū)W到恒等映射，從而緩解梯度彌散和梯度爆炸問題。但是在DeeplabV3+網(wǎng)絡(luò)中為了防止網(wǎng)絡(luò)底層的棋盤格效應(yīng)通過殘差連接能夠直接到達(dá)頂層，棋盤格平滑模塊選擇去除了殘差連接，而是在每個卷積操作后連接一個批歸一化層，也能夠達(dá)到殘差連接對模型的正則化效果。批歸一化層可以將上一層的輸出均值和方差規(guī)范化，將輸出從飽和區(qū)拉到了非飽和區(qū)，可以降低模型的訓(xùn)練難度，增加模型的泛化能力，并且可以緩解模型因網(wǎng)絡(luò)深度增加而導(dǎo)致的梯度彌散和梯度爆炸等問題，加快模型收斂速度。實驗表明，棋盤格平滑模塊能夠使之前網(wǎng)絡(luò)層學(xué)習(xí)到的特征交互性更強，使得分割目標(biāo)邊緣更平滑細(xì)致，提高了圖像分割的精度。

2.3 多低水平特征融合

基于深度學(xué)習(xí)的圖像語義分割模型從網(wǎng)絡(luò)底層到頂層，隨著感受野的變大，網(wǎng)絡(luò)模型所學(xué)習(xí)到的特征也在不斷變化。在模型的淺層，特征圖的分辨率較大，感受野較小，學(xué)習(xí)到的特征一般都是圖像的細(xì)節(jié)特征，比如邊、角和線等特征；而在網(wǎng)絡(luò)的深層，特征圖的分辨率較低，感受野較大，網(wǎng)絡(luò)層提取到的更多的是圖像目標(biāo)的語義信息。在DeeplabV3+網(wǎng)絡(luò)結(jié)構(gòu)中融合的低水平特征只選擇主干網(wǎng)絡(luò)中與編碼器得到的高級特征對于大小的低級特征圖，該特征圖能夠包含的圖像細(xì)節(jié)特征較少，不足以使得解碼器較為準(zhǔn)確地恢復(fù)目標(biāo)的邊緣信息。針對此問題，以ResNet50作為主干網(wǎng)絡(luò)為例，其分為5個階段，每個階段的輸出特征圖尺寸依次為原圖大小的1/4、1/4、1/8、1/16、1/16。選擇在解碼器中融合第二、第三、第四階段的低水平特征，并分別將第三、第四階段的特征兩倍、四倍雙線性插值上采樣。最后將三個不同階段的低水平特征在通道層面上拼接，形成高維特征，該特征包含了豐富的圖像細(xì)節(jié)特征，可以使得模型更好地恢復(fù)目標(biāo)的邊緣細(xì)節(jié)信息。

2.4 通道注意力模塊

原DeeplabV3+在ASPP結(jié)構(gòu)中進(jìn)行各尺度的特征提取時，通道數(shù)前后保持一致，將多尺度的特征拼接之后，特征通道維度直接變成原來的5倍，再通過1×1卷積降維，最后以4倍上采樣送入解碼器。原DeeplabV3+并沒有對拼接后的多尺度特征進(jìn)行特征通道選擇，也就是認(rèn)為每個通道信息對于該目標(biāo)的分割重要性相同。實際上網(wǎng)絡(luò)深度的增加，感受野的擴(kuò)大，語義信息逐漸豐富，尤其經(jīng)過空洞卷積空間金字塔池化結(jié)構(gòu)之后，每個通道表示不同的特征，這些特征對于不同的目標(biāo)而言其重要性也不同。如果在降維的同時對特征通道施以權(quán)重值，可以使得網(wǎng)絡(luò)能夠重視輸入特征的重要部分，學(xué)習(xí)到特征中對目標(biāo)預(yù)測貢獻(xiàn)較大的部分，能夠進(jìn)一步提高網(wǎng)絡(luò)模型的分割精度。

通道注意力模塊主要有兩個作用：(1) 對于ASPP結(jié)構(gòu)產(chǎn)生的高維特征實現(xiàn)降維；(2) 使網(wǎng)絡(luò)更加關(guān)注重要的特征。通道注意力模塊分為降維、擠壓、激勵和注意四個部分，如圖3所示。

圖3 通道注意力模塊

首先最左邊是原始輸入圖片特征X，然后通過1×1卷積進(jìn)行降維，產(chǎn)生了新的特征信號U。擠壓部分采用全局平均池化實現(xiàn)擠壓，具體見下式：

(3)

式中：u為大小為H×W×C的特征圖；uc表示為高維特征圖中通道順序為c的二維特征矩陣；經(jīng)過擠壓部分，第c個通道的特征矩陣映射為zc。激勵部分為兩個全連接層，以此學(xué)習(xí)通道間的復(fù)雜關(guān)系，具體如下：

s=Fex(z,W)=δ(g(z,W))=σ(W2δ(W1z))

(4)

第一個全連接層的權(quán)重W1維度大小為(c,c/16)，將通道降為原通道數(shù)的1/16，再通過權(quán)重為W2的第二個全連接層進(jìn)行升維，將維度恢復(fù)至c，每個全連接層后都采用ReLU函數(shù)激活，用δ表示。然后通過Sigmoid函數(shù)σ歸一化權(quán)重矩陣s，保證權(quán)重值范圍在(0,1)之間。

最后通過尺度函數(shù)Fscale將權(quán)重s賦到每個通道上，得到輸出矩陣Y：

Y=Fscale(uc,sc)=sc·uc

(5)

式中：sc表示順序為c的歸一化函數(shù)權(quán)重。不同通道的值uc乘上對應(yīng)順序的權(quán)重sc，從而可以增強對關(guān)鍵通道域的注意力。

2.5 改進(jìn)DeeplabV3+網(wǎng)絡(luò)

提出的改進(jìn)DeeplabV3+網(wǎng)絡(luò)以ResNet50為特征提取網(wǎng)絡(luò)，特征提取網(wǎng)絡(luò)結(jié)構(gòu)見表1。

表1 ResNet50網(wǎng)絡(luò)結(jié)構(gòu)

為了更好地提取底層特征，增加每一層卷積的感受野，將ResNet50中的第二、第三、第四、第五階段卷積中的普通卷積都替換成空洞卷積，且從第二階段開始，每一階段的空洞卷積空洞率依次為2、4、8、16。提出的改進(jìn)DeeplabV3+網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。首先，輸入圖像經(jīng)過ResNet50中的5個階段的空洞卷積特征提取，傳入棋盤格平滑模塊以消除棋盤格效應(yīng)；接著連接空洞卷積空間金字塔池化結(jié)構(gòu)以獲取多尺度的信息并融合；再通過通道注意力模塊篩選出重要的特征以4倍上采樣傳入解碼器。在解碼器階段，首先對ResNet50中第二、第三、第四階段輸出的低層次特征上采樣至相同尺寸并拼接，再通過通道注意力模塊降維并選擇重要特征，接著與另一個注意力模塊的輸出拼接，最后連接一個普通卷積并以4倍上采樣輸出最終分割結(jié)果。

圖4 改進(jìn)的DeeplabV3+網(wǎng)絡(luò)結(jié)構(gòu)

3 實 驗

3.1 實驗環(huán)境與數(shù)據(jù)集

模型訓(xùn)練所需硬件設(shè)備采用的是阿里云GPU云服務(wù)器，具體配置見表2。訓(xùn)練模型所用的超參數(shù)配置如表3所示。

表2 實驗硬件配置

表3 模型超參數(shù)設(shè)置

實驗選擇河南省漯河市舞陽縣部分農(nóng)村地區(qū)作為研究對象，該地區(qū)位于河南省中部偏南，農(nóng)村住宅建筑占主要部分。通過圖新地球軟件獲得該地區(qū)的谷歌影像，并將其切分為256×256分辨率大小的圖片若干幅，選擇其中1 000幅作為實驗數(shù)據(jù)集，并按8 ∶1 ∶1的比例切分為訓(xùn)練集、驗證集和測試集。

為了豐富圖像訓(xùn)練集，減少標(biāo)記的工作量，使得模型能夠更好地提取圖像特征，提高模型的泛化能力和魯棒性，降低模型過擬合風(fēng)險，數(shù)據(jù)集訓(xùn)練前一般都會根據(jù)數(shù)據(jù)集的特點進(jìn)行數(shù)據(jù)增強，主要包括：翻轉(zhuǎn)、旋轉(zhuǎn)、縮放、色彩抖動、增加噪聲。

3.2 算法評價指標(biāo)和網(wǎng)絡(luò)訓(xùn)練過程

(1) 算法評價指標(biāo)。實驗采用交并比(Intersection over Union,IoU)系數(shù)、像素精度(Pixel Accuracy，PA)作為定量評價指標(biāo)。在圖像語義分割任務(wù)中，PA指的是預(yù)測正確的像素占總像素的比例；IoU系數(shù)為某一類的預(yù)測區(qū)域和實際區(qū)域交集與預(yù)測區(qū)域和實際區(qū)域并集兩者的比例。IoU和PA值越大，表示預(yù)測精度越高。IoU的具體計算方式如下：

(6)

式中：X表示前景或背景的預(yù)測輪廓區(qū)域所包含的點集；Y表示實際輪廓區(qū)域所包含的點集。在屋頂分割任務(wù)中，規(guī)定屋頂為前景，任務(wù)只關(guān)心前景的分割結(jié)果。由于屋頂分割任務(wù)為二分類，因此屋頂和背景的像素精度相同，而IoU值不同，因此對于IoU值，實驗主要考慮前景的IoU系數(shù)。

(2) 網(wǎng)絡(luò)訓(xùn)練過程。選擇交叉熵與IoU損失的和作為算法總損失：

(7)

IoUloss=1-IoU(X,Y)

(8)

Loss=Entloss+IoUloss

(9)

3.3 實驗結(jié)果分析

(1) 分割示例。圖5為采用基于改進(jìn)DeeplabV3+網(wǎng)絡(luò)對圖像進(jìn)行分割的一個實例，其中：(a)為原始輸入圖像；(b)為真值圖；(c)為分割結(jié)果。由該實例可知，提出的基于改進(jìn)DeeplabV3+的屋頂分割算法可以有效地分割出農(nóng)村地區(qū)屋頂。

(a) 原圖(b) 真值圖(c) 預(yù)測圖圖5 基于改進(jìn)DeeplabV3+網(wǎng)絡(luò)的分割示例

(2) 定性分析。圖6為改進(jìn)DeeplabV3+與原DeeplabV3+網(wǎng)絡(luò)對部分測試集圖像的預(yù)測結(jié)果，其中：(a)為原圖像；(b)為對應(yīng)的真值圖；(c)為原DeeplabV3+網(wǎng)絡(luò)的分割結(jié)果；(d)為改進(jìn)的DeeplabV3+網(wǎng)絡(luò)的預(yù)測結(jié)果?？梢钥闯?，使用原DeeplabV3+網(wǎng)絡(luò)對農(nóng)村地區(qū)屋頂分割時，存在分割不足現(xiàn)象，見圖6(c)，第一行中存在非屋頂區(qū)域被誤識別為屋頂，第三行中存在部分屋頂區(qū)域未被分割出來，提出的改進(jìn)DeeplabV3+網(wǎng)絡(luò)通過棋盤格平滑模塊獲得了特征圖更加細(xì)致的信息，更好地分割屋頂。原DeeplabV3+網(wǎng)絡(luò)分割結(jié)果中目標(biāo)屋頂?shù)倪吘壖?xì)節(jié)不清晰，這是由于圖像的邊緣細(xì)節(jié)特征主要存在于網(wǎng)絡(luò)的低級特征，DeeplabV3+只利用了一層低水平特征，不足以恢復(fù)邊緣細(xì)節(jié)，改進(jìn)的DeeplabV3+融合了更多的低水平特征，使得模型對細(xì)節(jié)的預(yù)測更加準(zhǔn)確。

(a) (b) (c) (d)圖6 改進(jìn)DeeplabV3+算法的屋頂分割效果

(3) 定量分析。為了保證算法評價的客觀性，實驗選擇前景的交并比和像素準(zhǔn)確率作為評價指標(biāo)，用于評估基于DeeplabV3+提出的改進(jìn)方案的有效性。表4為結(jié)合不同方案的DeeplabV3+在驗證集中的評價指標(biāo)結(jié)果。Ours1是基于DeeplabV3+網(wǎng)絡(luò)增加了棋盤格平滑模塊，兩項指標(biāo)分別提升了0.009 1和0.010 7。Ours2在Ours1的基礎(chǔ)之上融合了多個低水平的特征，使得指標(biāo)又提高了0.005 8和0.000 2，由此可見，融合低水平特征能夠進(jìn)一步地提高分割精度。Ours3在Ours2的基礎(chǔ)上采用了注意力模塊來連接在ASPP結(jié)構(gòu)和低水平特征融合之后，使得指標(biāo)相較于原DeeplabV3+網(wǎng)絡(luò)約提升了0.022 1和0.017 4。

表4 結(jié)合不同方案的DeeplabV3+在驗證集上的評價指標(biāo)結(jié)果

(4) 不同算法對比。為了保證算法評價的客觀性，將提出的改進(jìn)DeeplabV3+算法與文獻(xiàn)[10-15]中提出的基于深度學(xué)習(xí)的經(jīng)典圖像分割網(wǎng)絡(luò)在農(nóng)村地區(qū)屋頂分割任務(wù)上進(jìn)行對比，具體結(jié)果如表5所示。FCNs作為基于深度學(xué)習(xí)的語義分割算法中的開山之作，在農(nóng)村地區(qū)屋頂數(shù)據(jù)集上的前景IoU指標(biāo)僅有70.61%。文獻(xiàn)[11]首先提出了經(jīng)典的編碼-解碼結(jié)構(gòu)的語義分割結(jié)構(gòu)UNet網(wǎng)絡(luò)，UNet網(wǎng)絡(luò)是通過堆疊大量的池化層來降低特征圖的分辨率尺寸，以此獲得較大的感受野，但這樣做會不可避免地失去圖像的空間信息，使得屋頂分割精度較低。文獻(xiàn)[12]提出了DenseASPP，結(jié)合了并行和級聯(lián)使用空洞卷積層的優(yōu)點，在更大范圍內(nèi)產(chǎn)生了更多的尺度特征。文獻(xiàn)[13]提出了BiSeNet，利用空間路徑保存空間信息并生成高分辨率特征，同時采用快速下采樣策略的上下文路徑獲取足夠的感受野。文獻(xiàn)[14]和文獻(xiàn)[15]分別提出了PSPNet和DeeplabV3+，它們在特征提取過程中加入了空洞卷積和空間金字塔池化層，使得網(wǎng)絡(luò)在不降低特征圖的分辨率，保留圖像空間信息的同時獲得更大的感受野，得到了比UNet更強的語義信息，但是同樣缺乏圖像的細(xì)節(jié)特征，模型不能很好地恢復(fù)圖像邊緣細(xì)節(jié)，分割結(jié)果較粗糙。由表5可知，本文提出的改進(jìn)DeeplabV3+算法在農(nóng)村地區(qū)屋頂數(shù)據(jù)集上的各項評價指標(biāo)均優(yōu)于其他經(jīng)典的語義分割算法，也再次證明了棋盤格平滑模塊、通道注意力模塊和多低水平特征融合的重要性。

表5 不同算法在農(nóng)村屋頂數(shù)據(jù)集上的評價指標(biāo)

4 結(jié) 語

針對現(xiàn)有模型對農(nóng)村地區(qū)屋頂分割任務(wù)效果不佳，以及DeeplabV3+網(wǎng)絡(luò)存在的棋盤格效應(yīng)等問題，提出改進(jìn)的DeeplabV3+農(nóng)村地區(qū)屋頂分割網(wǎng)絡(luò)，通過棋盤格平滑模塊緩解棋盤格效應(yīng)，利用多低水平特征融合和通道注意力模塊提高模型對邊緣細(xì)節(jié)的分割能力。實驗結(jié)果表明，提出的改進(jìn)DeeplabV3+算法相較于經(jīng)典的語義分割網(wǎng)絡(luò)能更有效地分割出農(nóng)村地區(qū)的屋頂。由于遙感影像中存在多種類型信息，未來考慮融合多模式數(shù)據(jù)提高分割精度。