王国杰教授团队发表多维密接卷积神经网络水体识别的研究成果

作者:王国杰发布时间:2020-03-25浏览次数:10

   近日,王国杰教授团队在遥感领域期刊《Remote Sensing》发表了题为“Water Identification from High-Resolution Remote Sensing Images Based on Multidimensional Densely Connected Convolutional Neural Networks”的研究成果。该研究将深度学习方法应用到高分辨率遥感影像的水体提取中,通过构建深度神经网络模型来提高遥感影像水体识别的精度;对传统的多维密集连接的深度卷积神经网络(DenseNet)加以改进,应用于高分一号多谱段卫星数据进行鄱阳湖流域的水体识别,并与ResNetVGGSegNetDeepLab v3+等多个深度神经网络和传统水体指数法NDWI等的识别结果进行了对比分析。

Remotesensing 12 00795 g002 550

1  DenseNet 深度神经网络框架图

   该项研究的创新点在于改进了经典的DenseNet深度神经网络结构,增加了上采样过程和全卷积网络内的跳层连接,缓解梯度消失和网络退化问题,并可进行特征重复学习,显著地提高了地物识别的效率和精度。研究表明,所有的深度卷积神经网络模型(DenseNetResNetVGGSegNetDeepLab v3+)的识别效果都显著优于传统的水体指数法(NDWI)。

1 不同模型水体识别效果对比


   而对于DenseNetResNetVGGSegNetDeepLab v3+深度卷积神经网络,从模型的训练效率上看,DenseNet的训练效率最优,但是训练时间上来看DeepLab v3+的结果要略优于DenseNet。从模型的水体识别效果上来看,DenseNet的总体识别精度最优,但是它在对区分云和水体的时候存在一定的误判情况。相较于其他四种深度神经网络,DenseNet网络在水体识别方面精度更高,本研究中达到96%以上;且对细部特征也有良好的识别能力,展示了在遥感地物识别方面的广阔应用前景。


2. 不同模型在2016729日鄱阳湖地区遥感影像的水体识别效果对比。(a)假彩色遥感影像,(bDenseNet,(cResNet,(dVGG,(eSegNet,(fDeepLab,(gNDWI模型识别结果。白色区域为识别出的水体区域。

 

论文信息:

Wang, G.; Wu, M.; Wei, X.; Song, H. Water Identification from High-Resolution Remote Sensing Images Based on Multidimensional Densely Connected Convolutional Neural Networks. Remote Sens. 202012, 795.

链接地址:

 https://doi.org/10.3390/rs12050795