基于改进DeepLab v3+模型和迁移学习的高分遥感耕地信息提取方法 |
| |
引用本文: | 毛星,金晶,张欣,戴佩玉,任妮.基于改进DeepLab v3+模型和迁移学习的高分遥感耕地信息提取方法[J].江苏农业学报,2023(7):1519-1529. |
| |
作者姓名: | 毛星 金晶 张欣 戴佩玉 任妮 |
| |
作者单位: | 1. 江苏省农业科学院农业信息研究所;2. 农业农村部长三角智慧农业技术重点实验室 |
| |
摘 要: | 针对实际遥感耕地信息提取工作中,多源数据特征复杂、样本标注工作繁重等导致高空间分辨率影像解译精度不高、自动化程度不够的问题,本研究基于DeepLab v3+模型,提出一种融合邻域边缘加权模块(NEWM)和轴向注意力机制模块(CBAM-s)的卷积网络模型DEA-Net,结合迁移学习方法进行高分辨率遥感影像耕地信息提取。首先,在浅层网络结构中加入邻域边缘加权模块,提升高分辨率下地物的连续性,细化边缘分割粒度;其次,在深层网络结构中添加轴向注意力机制模块,增加细小地物的关注权重,减少深度卷积导致地物丢失的情况;最后,采用迁移学习的思想,降低样本标注工作量,提高模型学习能力。利用高分卫星土地覆盖数据集(GID)数据构建源域数据集进行模型预训练,将获取的模型参数及权重信息迁移至大数据与计算智能大赛(BDCI)遥感影像地块分割竞赛数据集和全国人工智能大赛(NAIC)遥感影像数据集制作的2种不同目标域数据集中,微调训练后应用于耕地信息提取研究。结果表明,本研究构建方法能够增强模型的空间细节学习能力,提高耕地语义分割精度的同时,降低2/3以上的训练样本数量,为遥感耕地信息提取及农业数据智能化利用提供新...
|
关 键 词: | 耕地信息提取 迁移学习 DEA-Net 高分遥感 |
|
|