基于SF-Unet的高分辨率耕地遙感影像分割

摘 要：利用深度學習實現(xiàn)遙感影像耕地區(qū)域自動化檢測，取代人工解譯，能有效提升耕地面積統(tǒng)計效率。針對目前存在分割目標尺度大且連續(xù)導致分割區(qū)域存在欠分割現(xiàn)象，邊界區(qū)域情況復雜導致邊緣分割困難等問題，提出了語義分割算法———Ｓｗｉｎ Ｔｒａｎｓｆｏｒｍｅｒ，ＴｒａｎｓＦｕｓｅ ａｎｄ Ｕ-Ｎｅｔ （ＳＦ-Ｕｎｅｔ）。為強化網(wǎng)絡不同層次特征提取和信息融合能力，提升邊緣分割性能，使用Ｕ-Ｎｅｔ 網(wǎng)絡替代ＴｒａｎｓＦｕｓｅ 網(wǎng)絡中的ＲｅｓＮｅｔ５０ 模塊； 將Ｖｉｓｉｏｎ Ｔｒａｎｓｆｏｒｍｅｒ （ＶｉＴ） 替換為改進后的ＳｗｉｎＴｒａｎｓｆｏｒｍｅｒ 網(wǎng)絡，解決大區(qū)域的欠分割問題；通過注意力機制構建的Ｆｕｓｉｏｎ 融合模塊將２ 個網(wǎng)絡輸出特征進行融合，增強模型對目標的語義表示，提高分割的精度。實驗表明，ＳＦ-Ｕｎｅｔ 語義分割網(wǎng)絡在Ｇａｏｆｅｎ Ｉｍａｇｅ Ｄａｔａｓｅｔ （ＧＩＤ） 數(shù)據(jù)集上的交并比（Ｉｎｔｅｒｓｅｃｔｉｏｎ ｏｖｅｒ Ｕｎｉｏｎ，ＩｏＵ） 達到了９０． ５７％ ，分別比Ｕ-Ｎｅｔ 和ＴｒａｎｓＦｕｓｅ 網(wǎng)絡提升了６． ４８％ 和６． ０９％ ，明顯提升了耕地遙感影像分割的準確性。

關鍵詞：耕地遙感影像；語義分割；卷積神經(jīng)網(wǎng)絡；Ｓｗｉｎ Ｔｒａｎｓｆｏｒｍｅｒ

中圖分類號：ＴＰ３９１ 文獻標志碼：Ａ 開放科學（資源服務）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１０６（２０２４）０５－１１９７－０８

０ 引言

耕地是人類生存發(fā)展所需要的重要資源，快速精準地獲取耕地面積是生態(tài)環(huán)境檢測、農作物產量估算以及實現(xiàn)土地資源可持續(xù)發(fā)展的基礎。隨著計算機視覺技術的不斷進步，通過結合新技術手段對耕地面積進行快速統(tǒng)計己成為歷史發(fā)展的必然。

近年來，高分辨率遙感衛(wèi)星不斷發(fā)展，獲取高精度耕地遙感更加便捷，為國家各監(jiān)管部門提供重要的數(shù)據(jù)支撐，其提取遙感影像耕地區(qū)域采用的主要方法為人工解譯［１－２］，但人工分割的方式耗費大量人力、物力，且效率低下，因此研究如何采用自動化的方式對耕地遙感影像進行分割具有重要研究價值。

在傳統(tǒng)的耕地遙感影像分割算法領域，依據(jù)圖像的顏色、紋理和形狀特征等特點，大多數(shù)模型使用了基于閾值分割［３］、基于區(qū)域分割［４］、基于邊緣檢測分割［５］以及超像素［６］等方法，但總體分割精度不高，且復雜多變的遙感影像耕地區(qū)域對傳統(tǒng)分割模型性能有較大限制。

近年來，人工智能技術不斷發(fā)展，卷積神經(jīng)網(wǎng)絡（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＮＮ）［７］因其極強的特征提取能力，能更好地利用高分辨率遙感圖像中空間信息和邊界細節(jié)，提取遙感影像中的多尺度特征信息，優(yōu)于傳統(tǒng)方法。２０１５ 年Ｌｏｎｇ 等［８］提出的全卷積神經(jīng)網(wǎng)絡（Ｆｕｌｌｙ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ，ＦＣＮ）實現(xiàn)了像素級的分割，但實驗得到的結果較為粗糙，且并未考慮到像素與像素之間的聯(lián)系。為了減少卷積過程中空間細節(jié)的丟失，Ｕ-Ｎｅｔ［９］通過融合低層次的細節(jié)紋理信息和高層次的語義信息來達到多尺度特征融合的效果，但由于在下采樣操作時會丟失局部信息，且很難還原，分割整體性效果較差，易丟失目標間長距離信息。

由于Ｔｒａｎｓｆｏｒｍｅｒ［１０］結構在上下文信息提取能力上表現(xiàn)優(yōu)異，逐漸發(fā)展到圖像處理領域。Ｄｏｓｏｖｉｔｓｋｉｙ等提出的（Ｖｉｓｉｏｎ Ｔｒａｎｓｆｏｒｍｅｒ，ＶｉＴ）［１１］模型將Ｔｒａｎｓ-ｆｏｒｍｅｒ 結構首次應用于圖像分類任務。針對ＶｉＴ 模型只能提取單尺度特征問題，Ｌｉｕ 等［１２］提出ＳｗｉｎＴｒａｎｓｆｏｒｍｅｒ 模型通過Ｓｈｉｆｔｅｄ Ｗｉｎｄｏｗ 來建立分層特征圖，獲取多尺度特征。ＴｒａｎｓＦｕｓｅ［１３］模型通過將Ｔｒａｎｓｆｏｒｍｅｒ 和ＣＮＮ 融合實現(xiàn)了一個淺層的網(wǎng)絡架構來建模全局關系和底層細節(jié)，但Ｔｒａｎｓｆｏｒｍｅｒ 結構中全連接的注意力機制需要對整個輸入序列進行處理，這在圖像處理任務中不利于捕捉空間相關性。

本文基于以上問題，在ＴｒａｎｓＦｕｓｅ 算法的基礎上提出的ＳＦ-Ｕｎｅｔ 算法，具體如下：

① 針對耕地區(qū)域邊界分割情況復雜、分割困難等特點，使用ＵＮｅｔ 網(wǎng)絡替換ＴｒａｎｓＦｕｓｅ 網(wǎng)絡中的ＲｅｓＮｅｔ５０［１４］部分，通過跳躍連接增強邊界分割能力。

② 針對耕地遙感圖像中目標尺度大、耕地區(qū)域在遙感圖像上普遍大而連續(xù)等問題，利用改進后的Ｓｗｉｎ Ｔｒａｎｓｆｏｒｍｅｒ 結構替換原來的ＶｉＴ 網(wǎng)絡部分，增強模型的長距離信息提取能力，減少空間的丟失。

③ 通過添加深度監(jiān)督機制，添加額外的目標函數(shù)對模型中間層進行監(jiān)督學習，輔助神經(jīng)網(wǎng)絡的訓練，提高圖像分割網(wǎng)絡的性能。

１ 算法原理

１． １ Ｔｒａｎｓｆｏｒｍｅｒ 編碼器

實驗使用Ｓｗｉｎ Ｔｒａｎｓｆｏｒｍｅｒ 作為Ｔｒａｎｓｆｏｒｍｅｒ 編碼器的主干網(wǎng)絡，相比較ＶｉＴ 作為特征提取主干網(wǎng)絡，通過Ｐａｔｃｈ Ｍｅｒｇｉｎｇ 層進行下采樣，實現(xiàn)了多層特征提取結構，盡可能減少圖像特征信息的丟失。

Ｓｗｉｎ Ｔｒａｎｓｆｏｒｍｅｒ 提出窗口多頭注意力（Ｗｉｎｄｏｗ-ｂａｓｅｄ ＭＳＡ，Ｗ-ＭＳＡ）機制，將特征圖分割成多個窗口進行獨立的自注意力計算，使得計算復雜度與圖像窗口數(shù)量之間呈現(xiàn)線性關系，極大減少了計算量，相關的時間復雜度計算如下［１５－１６］：

Ω（ＭＳＡ） ＝ ４ｈｗＣ２ ＋ ２（ｈｗ） ２ Ｃ， （１）

Ω（Ｗ-ＭＳＡ） ＝ ４ｈｗＣ２ ＋ ２Ｍ２ ｈｗＣ， （２）

式中：ｈ、ｗ、Ｃ 分別表示輸入特征圖的尺寸大小和通道數(shù)，Ｍ 表示窗口尺寸。

為保證各個窗口之間的聯(lián)系，在第二個階段引入了移動窗口多頭注意力（Ｓｈｉｆｔｅｄ Ｗｉｎｄｏｗ-ｂａｓｅｄＭＳＡ，ＳＷ-ＭＳＡ），通過改變窗口位置提供各個窗口之間的信息聯(lián)系。通過采用映射、注意力機制、ＭＬＰ等來獲取上下文語義信息及全局依賴關系。

一個Ｓｗｉｎ Ｔｒａｎｓｆｏｒｍｅｒ 模塊如圖１ 所示，由進行各窗口內自注意力計算的Ｗ-ＭＳＡ 和進行窗口之間交互計算的ＳＷ-ＭＳＡ 兩部分組成，在模塊間插入ＬＮ層，穩(wěn)定并加快了訓練過程。

連續(xù)的２ 個Ｓｗｉｎ Ｔｒａｎｓｆｏｒｍｅｒ 塊的計算如下［１７］：

ｚ＾ｌ ＝ Ｗ-ＭＳＡ（ＬＮ（ｚｌ－１ ））＋ ｚｌ－１ ， （３）

ｚｌ ＝ ＭＬＰ（ＬＮ（ｚ＾ｌ））＋ ｚ＾ｌ， （４）

ｚ＾ｌ＋１ ＝ ＳＷ-ＭＳＡ（ＬＮ（ｚｌ））＋ ｚｌ， （５）

ｚｌ＋１ ＝ ＭＬＰ（ＬＮ（ｚ＾ｌ＋１ ））＋ ｚ＾ｌ＋１ ， （６）

式中：ｚ＾ｌ 和ｚｌ 分別表示（Ｓ）ＷＭＳＡ 和ＭＬＰ 模塊在第ｌ 個模塊的特征輸出，ｄｌ－１ 表示相應ｌ－１ 層的輸出特征。

１． ２ ＣＮＮ 編碼器

由于Ｕ-Ｎｅｔ 模型所需數(shù)據(jù)量少、速度快、分割準確率高等特點，本文將其作為ＣＮＮ 編碼器部分的主干網(wǎng)絡。Ｕ-Ｎｅｔ 網(wǎng)絡主要包含編碼模塊和解碼模塊兩部分，與ＦＣＮ 同樣采用跳躍連接的方式，將輸入特征與同尺寸的特征圖進行聯(lián)接。與ＦＣＮ 直接相加融合的方式不同，Ｕ-Ｎｅｔ 采用通道拼接的方式，保留了更多的位置信息，其Ｕ-Ｎｅｔ 原始網(wǎng)絡結構如圖２ 所示。

圖２ 中編碼部分通過卷積層實現(xiàn)特征的提取，最大池化層（Ｍａｘ Ｐｏｏｌｉｎｇ）實現(xiàn)下采樣操作，ＲｅＬＵ激活函數(shù)和批量歸一化層（Ｂａｔｃｈ Ｎｏｒｍａｌｉｚａｔｉｏｎ）使訓練參數(shù)更有效地向前傳播；解碼部分則是在上采樣的同時，通過跳躍連接的方式實現(xiàn)多維要素的融合，提高網(wǎng)絡對特征信息的提取能力，最終輸出與原圖像相同尺寸的像素級分類結果圖。Ｕ-Ｎｅｔ 網(wǎng)絡在獲取更大的感受野的同時，損失了一定的特征信息，分類精確度較低。

１． ３ ＣＮＮ 和Ｔｒａｎｓｆｏｒｍｅｒ 融合模塊

為將Ｔｒａｎｓｆｏｒｍｅｒ 編碼模塊和ＣＮＮ 編碼模塊提取特征圖相結合，本文使用了基于空間注意力（Ｓｐａｔｉａｌ Ａｔｔｅｎｔｉｏｎ ） 和通道注意力（ＣｈａｎｎｅｌＡｔｔｅｎｔｉｏｎ）相結合的Ｆｕｓｉｏｎ 融合模塊，將通過注意力模塊計算之后的Ｔｒａｎｓｆｏｒｍｅｒ 特征圖和ＣＮＮ 特征圖進行拼接并做卷積，如圖３ 所示。

由于Ｔｒａｎｓｆｏｒｍｅｒ 編碼模塊提取特征缺乏局部細節(jié)，因此將Ｔｒａｎｓｆｏｒｍｅｒ 特征圖通過通道注意力模塊進行運算，首先對輸入特征圖進行全局最大池化和全局平均池化，再通過全連接層對通道數(shù)先降維再升維，對處理后的２ 個特征層進行相加，用Ｓｉｇｍｏｉｄ 函數(shù)激活生成特征通道注意力特征權重。卷積特征相對于處理上下文信息能力較弱，容易包含不相關區(qū)域，因此將ＣＮＮ 特征圖通過空間注意力模塊進行運算，對輸入的特征圖進行基于通道的全局最大池化和全局平均池化，將輸出進行通道拼接后通過卷積運算和Ｓｉｇｍｏｉｄ 激活函數(shù)生成空間注意力特征權重。將輸入特征與對應的特征權重相乘并拼接，通過一個卷積層得到輸出特征圖，完成Ｔｒａｎｓ-ｆｏｒｍｅｒ 編碼模塊和ＣＮＮ 編碼模塊的融合并輸出。

１． ４ ＳＦ-Ｕｎｅｔ 網(wǎng)絡結構

本文基于ＴｒａｎｓＦｕｓｅ 所提出的ＣＮＮ 和Ｔｒａｎｓｆｏｒｍｅｒ網(wǎng)絡相融合的思想，針對遙感耕地影像所存在的欠分割、邊界分割較差等問題，提出了ＳＦ-Ｕｎｅｔ 耕地遙感圖像分割方法，其網(wǎng)絡模型結構如圖４ 所示。

ＳＦ-Ｕｎｅｔ 網(wǎng)絡分為ＣＮＮ 編碼模塊、Ｔｒａｎｓｆｏｒｍｅｒ編碼模塊、解碼模塊、融合模塊和ＡＧ （ＡｔｔｅｎｔｉｏｎＧａｔｅｓ）［１８］模塊四部分。遙感圖像輸入網(wǎng)絡后分別通過兩路編碼，ＣＮＮ 編碼模塊采用ＵＮｅｔ 主干網(wǎng)絡，由４ 個下采樣卷積塊組成，生成５ 組不同尺寸大小的特征圖，通過卷積和池化等操作，獲得更大的感受野及高層次語義信息。Ｔｒａｎｓｆｏｒｍｅｒ 主干網(wǎng)絡由改進的Ｓｗｉｎ Ｔｒａｎｓｆｏｒｍｅｒ 構成。由于基礎的ＳｗｉｎＴｒａｎｓｆｏｒｍｅｒ 在生成多級特征圖時要先通過ＰａｔｃｈＰａｒｔｉｔｉｏｎ 層，尺寸變?yōu)樵瓉淼模?／ ４，其同層次特征圖尺寸與ＵＮｅｔ 不一致，在融合模塊難以進行融合。本實驗采用改進版的Ｓｗｉｎ Ｔｒａｎｓｆｏｒｍｅｒ，將通過ＰａｔｃｈＰａｒｔｉｔｉｏｎ 層之后的特征層對應于Ｕ-Ｎｅｔ 網(wǎng)絡第三層，使用雙線性上采樣方式擴大特征圖，通過ＳｗｉｎＴｒａｎｓｆｏｒｍｅｒ 模塊進行下采樣操作，以滿足特征層進行融合的條件。融合模塊由空間注意力和通道注意力組合而成，通過一個卷積層進行交互，融合過程不改變特征圖大小，融合之后的通道數(shù)和ＣＮＮ 模塊通道數(shù)相對應。

ＳＦ-Ｕｎｅｔ 通過融合Ｕ-Ｎｅｔ 和改進的Ｓｗｉｎ Ｔｒａｎｓ-ｆｏｒｍｅｒ 主干網(wǎng)絡，在保留ＣＮＮ 強大的局部特征提取能力的同時，加入Ｔｒａｎｓｆｏｒｍｅｒ 的全局注意力機制，加強上下文信息聯(lián)系，減少空間細節(jié)的丟失，達到了較好的分割效果。

１． ５ 深度監(jiān)督

ＳＦ-Ｕｎｅｔ 模型融合了Ｔｒａｎｓｆｏｒｍｅｒ 和ＣＮＮ 兩部分，模型較為復雜，在模型訓練時易產生梯度消失或爆炸等問題。為加快網(wǎng)絡收斂速度，提高網(wǎng)絡的識別能力，本文引入了Ｌｅｅ 等［１９］提出的深度監(jiān)督機制，通過在不同深度特征層中添加額外的目標函數(shù)對模型進行監(jiān)督，提高中間層的分類準確率，從而進一步提高最終輸出的分割性能。深度監(jiān)督機制在ＳＦＵｎｅｔ 網(wǎng)絡中的應用如圖５ 所示。

在圖５ 中，Ｆ１ ～ Ｆ５ 表示Ｆｕｓｉｏｎ１ ～ Ｆｕｓｉｏｎ５ 融合模塊輸出，將Ｆｕｓｉｏｎ１ ～ Ｆｕｓｉｏｎ５ 這５ 層輸出作為深度監(jiān)督的輸入，在前４ 個解碼器階段得到全分辨率的中間特征圖，最后一個解碼器直接輸出全分辨率特征圖。對這５ 個輸出特征圖使用ＢＣＥＬｏｓｓ 和ＩｏＵ-Ｌｏｓｓ［２０］組合的損失函數(shù)，將所有分支的輸出結果求和取平均作為最終損失進行反向傳播［２１］，計算如下：

式中：ｙｊ、＾ｙｊ 分別表示不同解碼層輸出的預測值和真實標簽，Ｎ 表示分支總數(shù)。

２ 實驗結果與分析

２． １ 實驗數(shù)據(jù)集

本文所使用的數(shù)據(jù)來自ＧＩＤ 數(shù)據(jù)集，是基于我國Ｇａｏｆｅｎ-２ 衛(wèi)星數(shù)據(jù)而構建的大規(guī)模高分辨率遙感圖像數(shù)據(jù)集。本文采用ＧＩＤ-１５ 精細土地覆蓋集（ＧＩＤ 數(shù)據(jù)集），并且對數(shù)據(jù)集進行了預處理。將數(shù)據(jù)集標簽部分進行二值化處理，耕地區(qū)域像素值為２５５，非耕地區(qū)域像素值為０。由于該數(shù)據(jù)集圖像尺寸過大，本文將大圖像進行裁剪成２５６ ｐｉｘｅｌ ×２５６ ｐｉｘｅｌ 進行實驗，如圖６ 所示。圖６（ａ）為原始遙感圖像，圖６（ｂ）為遙感圖像對應的標簽圖像，分辨率為７ ２００ ｐｉｘｅｌ×６ ８００ ｐｉｘｅｌ，標簽圖像為多分類標簽結果圖。圖６（ｃ）為裁剪后的遙感圖像，圖６（ｄ）為裁剪后的遙感圖像對應的二值化處理之后標簽圖像，分辨率均為２５６ ｐｉｘｅｌ×２５６ ｐｉｘｅｌ。

２． ２ 評價指標

本實驗設置了３ 個評價指標用于定量評估模型分割性能，分別是Ｄｉｃｅ 系數(shù)（Ｄｉｃｅ Ｓｉｍｉｌａｒｉｔｙ Ｃｏｅｆｆｉ-ｃｉｅｎｔ，ＤＳＣ）、交并比（Ｉｎｔｅｒｓｅｃｔｉｏｎ ｏｖｅｒ Ｕｎｉｏｎ，ＩｏＵ）和準確率（Ａｃｃｕｒａｃｙ，Ａｃｃ），計算如下：

式中：ＴＰ （Ｔｒｕｅ Ｐｏｓｉｔｉｖｅ）表示分類正確的正類，ＦＰ（Ｆａｌｓｅ Ｐｏｓｉｔｉｖｅ ）表示被錯分為正類的負類，ＴＮ（Ｔｒｕｅ Ｎｅｇａｔｉｖｅ）表示分類準確的負類，ＦＮ （ＦａｌｓｅＮｅｇａｔｉｖｅ）表示被錯分為負類的正類。標簽圖中正類表示耕地，負類表示背景。

２． ３ 消融實驗

為了驗證ＳＦ-Ｕｎｅｔ 模型方法的有效性，分別對ＣＮＮ 編碼模塊、Ｔｒａｎｓｆｏｒｍｅｒ 編碼模塊和融合模塊進行消融實驗。選?。眨危澹?和改進后的Ｓｗｉｎ Ｔｒａｎｓ-ｆｏｒｍｅｒ 網(wǎng)絡模型分別作為ＣＮＮ 和Ｔｒａｎｓｆｏｒｍｅｒ 的基線模型。通過融合模塊，將并聯(lián)的２ 路輸出進行融合，并且在每一個融合模塊之后都輸出一個結果，如表１ 所示。

由表１ 可以看出，在Ｔｒａｎｓｆｏｒｍｅｒ 和ＣＮＮ 的基準模型上，評價指標ＩｏＵ 僅有８１． ００％ 和８４． ０９％ ；二者融合之后ＩｏＵ 比基準模型分別提高了５． ３２％ 和２． ２３％ ；當Ｆｕｓｉｏｎ 融合模塊達到第五層時ＩｏＵ 指標對比基準模型分別提高了１０． ５７％ 和６． ４８％ 。從評價指標可以看出，Ｔｒａｎｓｆｏｒｍｅｒ 和ＣＮＮ 模塊的融合對比單一模型有更好的分割精度，隨著Ｆｕｓｉｏｎ 分割模塊的增多，分割性能越好。消融實驗各部分的實驗結果如圖７ 所示。Ｔｒａｎｓｆｏｒｍｅｒ 模塊采用的是改進之后的Ｓｗｉｎ Ｔｒａｎｓｆｏｒｍｅｒ 網(wǎng)絡，在分割結果圖中整體性較好，內部填充較為完整，但邊緣分割能力較弱。ＣＮＮ 模塊采用的是Ｕ-Ｎｅｔ 網(wǎng)絡，邊緣分割較好，但出現(xiàn)較多空洞現(xiàn)象，整體性不強。經(jīng)過５ 層Ｆｕｓｉｏｎ 融合模塊融合之后的模型分割結果圖中噪聲較少，內部填充相比較Ｕ-Ｎｅｔ 和Ｓｗｉｎ Ｔｒａｎｓｆｏｒｍｅｒ 模型更加飽滿，輪廓邊界更加清晰，通過融合２ 路編碼的ＳＦ-Ｕｎｅｔ 模型在邊界分割和內部填充兩方面相對原模型都有較大提高。不同層數(shù)的Ｆｕｓｉｏｎ 融合模塊對模型性能提升不同，融合層數(shù)越多，分割性能越好。由圖７（ｅ）～ 圖７（ｉ）可以看出，Ｆｕｓｉｏｎ５ 的分割效果明顯優(yōu)于Ｆｕｓｉｏｎ１ 的分割效果。實驗證明，利用跳躍連接的方式進行特征融合，對于去除噪聲和加強邊緣分割都有積極作用。

２． ４ 深監(jiān)督實驗結果分析

本文設計了５ 層輸出特征圖進行深監(jiān)督機制來解決深度模型訓練時的優(yōu)化問題，加快了網(wǎng)絡收斂速度和識別能力。為驗證該設計的有效性，分別對不同數(shù)量特征圖進行深監(jiān)督對比試驗，Ｌｏｓｓ 損失結果對比如圖８ 所示。圖中Ｄ＿Ｓ 表示Ｄｅｅｐ Ｓｕｐｅｒｖｉ-ｓｉｏｎ，由圖８ 可以看出，隨著采用的深監(jiān)督層數(shù)越多，模型收斂越快，當采用５ 層特征圖進行深監(jiān)督時，Ｌｏｓｓ 值最低，模型分割性能達到最優(yōu)。

為了從客觀上定量進行總體評價，全尺度監(jiān)督機制結果對比如表２ 所示。

由表２ 可以看出，當采用５ 層特征圖進行深監(jiān)督時，ＩｏＵ 值最高，達到９０． ５７％ ，Ｄｉｃｅ 系數(shù)達到了９５． ０５％ ，相比較Ｄ＿Ｓ１ 的ＩｏＵ 值高了１． ４４％ ，Ｄｉｃｅ系數(shù)高了１． ７６％ ，在性能方面達到了最優(yōu)。實驗證明，通過添加深監(jiān)督機制，確實提高了模型性能，且隨著深監(jiān)督層數(shù)越多，模型分割性能越好。

２． ５ 不同算法分割性能比較

為了評估ＳＦ-Ｕｎｅｔ 模型方法的性能，選?。?Ｎｅｔ、ＰＳＰＮｅｔ、ＳｅｇＮｅｔ、ＴｒａｎｓＦｕｓｅ 四種經(jīng)典的語義分割網(wǎng)絡進行對比試驗，所有網(wǎng)絡均在相同的軟硬件環(huán)境下進行訓練和測試，均使用ＧＩＤ 數(shù)據(jù)集進行實驗。各個網(wǎng)絡模型的分割結果如圖９ 所示。

耕地遙感影像因為其自身特性，往往呈片狀，大范圍內分布，因此模型分割時農田內部分割效果和邊緣輪廓分割準確性十分重要。由圖９ 可以看出，ＰＳＰＮｅｔ 由于具有金字塔結構，對于整體區(qū)域識別分割能力較強，但邊界分割較為模糊；ＳｅｇＮｅｔ 和Ｕ-Ｎｅｔ都存在噪聲較大的現(xiàn)象；ＴｒａｎｓＦｕｓｅ 分割效果相對較好，但依然存在部分區(qū)域未識別、分割圖中存在少部分噪點現(xiàn)象。相比之下，本文提出的ＳＦ-Ｕｎｅｔ 模型分割的遙感影像圖像邊緣更加清晰、圖像完整性更高，分割性能更好。

各模型分割性能指標對比如表３ 所示?？梢钥闯?，本文所提出的ＳＦ-Ｕｎｅｔ 網(wǎng)絡的ＩｏＵ、Ｄｉｃｅ 系數(shù)和Ａｃｃ 均達到了最優(yōu)，分別達到了９０． ５７％ 、９５． ０５％ 和９５． ３８％ ，相比較Ｕ-Ｎｅｔ 模型提高了６． ４８％ 、３． ６９％和７． ２０％ ；相比較其他分割模型也有較大提升。本文所提出ＳＦ-Ｕｎｅｔ 模型在ＴｒａｎｓＦｕｓｅ 和ＳｗｉｎＴｒａｎｓｆｕｓｅ 模型方法的基礎上進行改進創(chuàng)新，性能優(yōu)于原網(wǎng)絡模型，實驗證明了方法的可行性，相比較其他幾種主流的分割網(wǎng)絡，在遙感影像耕地面積提取上取得了最好的效果。

３ 結束語

本文將Ｕ-Ｎｅｔ 和Ｓｗｉｎ Ｔｒａｎｓｆｏｒｍｅｒ 模型相結合，在高分辨率耕地遙感影像分割任務上，實現(xiàn)了目前深度學習方法中最優(yōu)的提取結果，該方法在數(shù)據(jù)獲取上較為簡單，在耕地區(qū)域提取精度上相對之前的方法有較大提升。

深度學習在遙感影像耕地面積提取上有較大發(fā)展空間，作為一種新興技術，仍然有很多工作需要進一步完善，如語義分割實現(xiàn)的像素級分類會導致出現(xiàn)較多噪點，能否有更高效的方法來去除噪點，以及小塊耕地識別困難等問題，仍然需要后續(xù)的研究工作來繼續(xù)完善。后續(xù)將對相關問題進行研究，以改進現(xiàn)有方法，從速度和精度上提升高分辨率遙感影像的耕地面積提取。

參考文獻

［１］ 趙少華，劉思含，毛學軍，等． 新時期我國環(huán)保領域衛(wèi)星遙感技術的應用與發(fā)展［Ｊ］． 無線電工程，２０１７，４７（３）：１－７．

［２］ 黃春波，佃袁勇，周志翔，等． 基于時間序列統(tǒng)計特性的森林變化監(jiān)測［Ｊ］． 遙感學報，２０１５，１９（４）：６５７－６６８．

［３］ ＯＴＳＵ Ｎ． Ａ Ｔｈｒｅｓｈｏｌｄ Ｓｅｌｅｃｔｉｏｎ Ｍｅｔｈｏｄ ｆｒｏｍ Ｇｒａｙｌｅｖｅｌ Ｈｉｓｔｏｇｒａｍｓ ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｙｓｔｅｍｓ，Ｍａｎ，ａｎｄ Ｃｙｂｅｒｎｅｔｉｃｓ，１９７９，９（１）：６２－６６．

［４］ 丁海勇，王雨軒，毛宇瓊，等． 基于動態(tài)閾值區(qū)域分裂合并算法的高分辨率遙感圖像分割研究［Ｊ］． 測繪通報，２０１６ （８）：１４５－１４６．

［５］ 張愛華，余勝生，周敬利． 一種基于邊緣檢測的局部閾值分割算法［Ｊ］． 小型微型計算機系統(tǒng)，２００３，２４（４）：６６１－６６３．

［６］ 南柄飛，穆志純． 基于ＳＬＩＣ０ 融合紋理信息的超像素分割方法［Ｊ］． 儀器儀表學報，２０１４，３５ （３）：５２７－５３４．

［７］ ＬＥＣＵＮ Ｙ，ＢＯＴＴＯＵ Ｌ，ＢＥＮＧＩＯ Ｙ，ｅｔ ａｌ． Ｇｒａｄｉｅｎｔｂａｓｅｄ"Ｌｅａｒｎｉｎｇ Ａｐｐｌｉｅｄ ｔｏ Ｄｏｃｕｍｅｎｔ Ｒｅｃｏｇｎｉｔｉｏｎ ［Ｊ］． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ，１９９８，８６（１１）：２２７８－２３２４．

［８］ ＬＯＮＧ Ｊ，ＳＨＥＬＨＡＭＥＲ Ｅ，ＤＡＲＲＥＬＬ Ｔ． Ｆｕｌｌｙ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｓｅｍａｎｔｉｃ Ｓｅｇｍｅｎｔａｔｉｏｎ ［Ｃ］∥ ２０１５"ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｂｏｓｔｏｎ：ＩＥＥＥ，２０１５：３４３１－３４４０．

［９］ ＲＯＮＮＥＢＥＲＧＥＲ Ｏ，ＦＩＳＣＨＥＲ Ｐ，ＢＲＯＸ Ｔ． ＵＮｅｔ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｂｉｏｍｅｄｉｃａｌ Ｉｍａｇｅ Ｓｅｇｍｅｎｔａｔｉｏｎ"［Ｃ］∥１８ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ． Ｍｕｎｉｃｈ：Ｓｐｒｉｎｇｅｒ，２０１５：２３４－２４１．

［１０］ ＶＡＳＷＡＮＩ Ａ，ＳＨＡＺＥＥＲ Ｎ，ＰＡＲＭＡＲ Ｎ，ｅｔ ａｌ． Ａｔｔｅｎｔｉｏｎ Ｉｓ Ａｌｌ Ｙｏｕ Ｎｅｅｄ［ＥＢ ／ ＯＬ］． （２０１７ －１２ －０６）［２０２３ －１０ －２０］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ｐｄｆ ／ １７０６． ０３７６２ｖ５． ｐｄｆ．

［１１］ ＤＯＳＯＶＩＴＳＫＩＹ Ａ，ＢＥＹＥＲ Ｌ，ＫＯＬＥＳＮＩＫＯＶ Ａ，ｅｔ ａｌ． Ａｎ Ｉｍａｇｅ Ｉｓ Ｗｏｒｔｈ １６ × １６ Ｗｏｒｄｓ：Ｔｒａｎｓｆｏｒｍｅｒｓ ｆｏｒ Ｉｍａｇｅ"Ｒｅｃｏｇｎｉｔｉｏｎ ａｔ Ｓｃａｌｅ［ＥＢ ／ ＯＬ］． （２０２０ － １０ － ２２）［２０２３ －１０－１５］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ ／ ２０１０． １１９２９．

［１２］ ＬＩＵ Ｚ，ＬＩＮ Ｙ Ｔ，ＣＡＯ Ｙ，ｅｔ ａｌ． Ｓｗｉｎ Ｔｒａｎｓｆｏｒｍｅｒ：Ｈｉｅｒａｒｃｈｉｃａｌ Ｖｉｓｉｏｎ Ｔｒａｎｓｆｏｒｍｅｒ Ｕｓｉｎｇ Ｓｈｉｆｔｅｄ Ｗｉｎｄｏｗｓ［Ｃ］∥２０２１ ＩＥＥＥ ／ ＣＶＦ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ"Ｖｉｓｉｏｎ． Ｍｏｎｔｒｅａｌ：ＩＥＥＥ，２０２１：９９９２－１０００２．

［１３］ ＺＨＡＮＧ Ｙ Ｄ，ＬＩＵ Ｈ Ｙ，ＨＵ Ｑ Ｙ． Ｔｒａｎｓｆｕｓｅ：Ｆｕｓｉｎｇ Ｔｒａｎｓｆｏｒｍｅｒｓ ａｎｄ ＣＮＮｓ ｆｏｒ Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ｓｅｇｍｅｎｔａｔｉｏｎ［Ｃ］∥２４ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ． Ｓｔｒａｓｂｏｕｒｇ：Ｓｐｒｉｎｇｅｒ，２０２１：１４－２４．

［１４］ ＨＥ Ｋ Ｍ，ＺＨＡＮＧ Ｘ Ｙ，ＲＥＮ Ｓ Ｑ，ｅｔ ａｌ． Ｄｅｅｐ Ｒｅｓｉｄｕａｌ"Ｌｅａｒｎｉｎｇ ｆｏｒ Ｉｍａｇｅ Ｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］∥２０１６ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｌａｓ"Ｖｅｇａｓ：ＩＥＥＥ，２０１６：７７０－７７８．

［１５］ 周澤昊． 基于ＳｗｉｎＳｐｅｃ Ｔｒａｎｓｆｏｒｍｅｒ 的膽管癌顯微高光譜圖像分割研究［Ｄ］． 上海：華東師范大學，２０２２．

［１６］ 王金祥，付立軍，尹鵬濱，等． 基于ＣＮＮ 與Ｔｒａｎｓｆｏｒｍｅｒ的醫(yī)學圖像分割［Ｊ］． 計算機系統(tǒng)應用，２０２３，３２（４）：１４１－１４８．

［１７］ 王軍，高放，省海先，等． 基于Ｓｗｉｎ Ｔｒａｎｓｆｏｒｍｅｒ 生成對抗網(wǎng)絡的圖像生成算法［Ｊ］． 小型微型計算機系統(tǒng)，２０２４，４５（１）：２４１－２４８．

［１８］ ＯＫＴＡＹ Ｏ，ＳＣＨＬＥＭＰＥＲ Ｊ，ＬＥ ＦＯＬＧＯＣ Ｌ，ｅｔ ａｌ．Ａｔｔｅｎｔｉｏｎ ＵＮｅｔ：Ｌｅａｒｎｉｎｇ Ｗｈｅｒｅ ｔｏ Ｌｏｏｋ ｆｏｒ ｔｈｅ Ｐａｎｃｒｅａｓ"［ＥＢ ／ ＯＬ］． （２０１８ － ０４ － １１）［２０２３ － １１ － ２０］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ ／ １８０４． ０３９９９．

［１９］ ＬＥＥ Ｃ Ｙ，ＸＩＥ Ｓ Ｎ，ＧＡＬＬＡＧＨＥＲ Ｐ，ｅｔ ａｌ． Ｄｅｅｐｌｙｓｕｐｅｒｖｉｓｅｄ Ｎｅｔｓ［Ｃ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｅｉｇｈｔｅｅｎｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ ａｎｄ Ｓｔａｔｉｓｔｉｃｓ．［Ｓ． ｌ． ］：ＰＭＬＲ，２０１５：５６２－５７０．

［２０］ ＷＥＩ Ｊ，ＷＡＮＧ Ｓ Ｈ，ＨＵＡＮＧ Ｑ Ｍ． Ｆ３Ｎｅｔ：Ｆｕｓｉｏｎ，Ｆｅｅｄｂａｃｋ ａｎｄ Ｆｏｃｕｓ ｆｏｒ Ｓａｌｉｅｎｔ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ［Ｃ］∥３４ｔｈ ＡＡＡＩ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ． ［Ｓ． ｌ． ］：ＡＡＡＩ，２０２０：１２３２１－１２３２８．

［２１］ 秦傳波，宋子玉，曾軍英，等． 聯(lián)合多尺度和注意力－殘差的深度監(jiān)督乳腺癌分割［Ｊ］． 光學精密工程，２０２１，２９（４）：８７７－８９５．

作者簡介

秦倫明 男，（１９８３—），博士，講師，碩士生導師。主要研究方向：圖像分割、目標檢測、多源圖像視頻信息處理、電力設備在線監(jiān)測等。

凌雪海 男，（１９９７—），碩士研究生。主要研究方向：深度學習、圖像分割和計算機視覺。

鄒鈺潔 女，（１９９１—），碩士，工程師。主要研究方向：電氣設備狀態(tài)檢測。

龔楊洋 男，（１９９８—），碩士研究生。主要研究方向：計算機視覺、光流估計算法。

（*通信作者）邊后琴 女，（１９７６—），博士，副教授。主要研究方向：智能控制、計算機視覺和模式識別等。

王 悉 男，（１９８０—），博士，副教授，碩士生導師。主要研究方向：列車智能駕駛、模型預測控制。

基金項目：國家自然科學基金面上項目（６２０７３０２４）