南京邮电大学学报(自然科学版)

作者：张载龙,徐杰

单位：南京邮电大学 物联网学院，江苏 南京 210003南京邮电大学 计算机学院，江苏 南京 210023

关键词：LDNet；地类识别；遥感影像；Thin Deeplabv3+

基金：国家自然科学基金(61876091)、南京大学计算机软件新技术国家重点实验室开放课题(KFKT2022B01)和南京邮电大学校级科研基金(NY221071)资助项目

在高分辨率遥感影像地类识别上，语义分割网络Deeplabv3+表现优异，但是所需参数非常多，训练时间久。遥感影像中的地类与普通RGB图片中的对象相比颗粒度非常大，其具有更显著的特征以及更少的类别，并不需要过深过大的网络。因此，文中提出了一种基于轻量级网络的语义分割模型(Thin Deeplabv3+)，对Deeplabv3+的编码器进行了改进，利用轻量级膨胀网络(Light and Dilated Network, LDNet)提取输入遥感影像的特征，然后利用膨胀系数分别为2、12、24和36的空洞空间金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)模块加强特征提取。在高分遥感影像数据集(Gaofen Image Dataset, GID)以及DeepGlobe土地覆盖分类挑战数据集(DeepGlobe Land Cover Classification Challenge, DLCCC)上的实验结果表明，Thin Deeplabv3+的识别精度高于Deeplabv3+，并且所需参数仅约为Deeplabv3+的1/10。

来源：2024年第02期

《南京邮电大学学报(自然科学版)》期刊编辑部

查看南京邮电大学学报(自然科学版)杂志2024年第02期