一种面向高分遥感影像的边界增强型语义分割方法
技术领域
本发明属于遥感影像语义分割技术领域,具体涉及一种面向高分遥感影像的边界增强型语义分割方法。
背景技术
随着遥感技术的蓬勃发展,高分辨率遥感影像的获取越来越容易,其因具有分辨率高、地物细节信息丰富及目视效果直观等优点,在诸多领域中得到广泛应用,如灾害评估与预测、城市管理与规划、精细农业、军事安全、交通导航等。语义分割是遥感影像解译的重要手段,旨在实现像素级空间密集分类,为后续场景理解与信息提取奠定基础。因此提高语义分割精度对于提升高分遥感影像利用效率有着重要意义。
传统的图像语义分割方法包括阈值分割、区域分割等非监督分割方法以及支持向量机、随机森林等监督分割方法。该类方法主要依据颜色、形状、纹理等低中级信息,人为设计相应特征完成分割,存在人工经验依赖、无法捕获高级抽象语义特征等缺点,难以达到理想分割精度,推广性较差。目前,深度学习的研究热潮促使图像语义分割技术取得显著突破,形成了以深度卷积神经网络(DCNN)为代表的语义分割方法,如全卷积神经网络(FCN)、编解码语义分割网络UNet与SegNet、特征金字塔网络(FPN)、金字塔场景解析网络(PSPNet)、DeepLab系列网络等。特殊的网络层次结构赋予该类方法较强的多层次特征学习与表达能力、端到端自动化学习等优势,使其得以有效提升高分遥感影像的语义分割性能、富有较好的应用前景。
虽然深度卷积神经网络方法有力地推动了高分遥感影像语义分割技术的发展,但是影像分辨率与精度需求的同步提高使其依然面临一些挑战:一方面,受限于高分辨率遥感影像地物尺度差异大、目标结构复杂、“同物异谱”、“同谱异物”等固有特点,语义分割结果中同类物体内部不连续、非同类物体间不可区分问题广泛存在;另一方面,常见语义分割网络中池化等下采样策略在增大感受野、集成上下文语境信息的同时会降低特征分辨率、损失大量高频边界细节信息,从而导致语义分割结果中边界模糊问题较为突出。
针对上述问题,许多研究工作已被展开,如:a)引入多尺度特征提取模块,增强网络对不同地物的感知能力;b)引入注意力机制,强化网络鉴别性特征学习能力;c)利用空洞卷积代替普通卷积,减少空间信息损失;d)构建全分辨率语义分割网络如HRNet,在整个工作流中保持全分辨率特征表达,以维持细节信息。然而大多改进工作以更高模型复杂度为代价,造成信息冗余,性能提升效果不理想,高效精确地实现高分遥感影像语义分割亟待进一步探究。
发明内容
鉴于上述相关技术中存在的问题,本发明提出一种面向高分遥感影像的边界增强型语义分割方法,通过在同一深度学习框架下耦合语义分割分流网络与边缘检测分流网络,改善边界分割不准确、语义分割结果类内不一致与类间不可分问题,提高语义分割精度。
为实现上述目的,本发明所采用的技术方案是:
一种面向高分遥感影像的边界增强型语义分割方法,包括以下步骤:
步骤1,获取高分辨率遥感影像原始数据集,并将其划分为训练样本集与测试样本集;
步骤2,预处理上述高分辨率遥感影像训练样本集,构建训练数据集,具体包括:高分遥感影像数据归一化、地物类别标注数据类序转换、边界标签数据获取、数据增强;
步骤3,搭建面向高分遥感影像语义分割的边界增强型双流网络模型,包括语义分割分流网络与边缘检测分流网络,它们通过编码器复用以及多级信息融合模块实现特征深度耦合;
步骤4,利用上述训练数据集对所述面向高分遥感影像语义分割的边界增强型双流网络模型进行双任务监督训练,获得相应语义分割模型;
步骤5,利用步骤4所获语义分割模型对测试样本集中的高分遥感影像进行推理预测,具体包括:遥感影像归一化处理、重叠推理、语义分割结果着色处理。
进一步的,所述步骤2包含以下步骤:
步骤2.1,对训练样本集中的高分遥感影像进行归一化处理:具体地,采用最大最小归一化方法将像素值线性变换至0-1范围内,形式如下:
其中
为高分遥感影像位置(
i,j)处的像素值,
与
分别为
影像中的最大像素值与最小像素值;
步骤2.2,对训练样本集中的地物类别标注数据进行类序转换:具体地,首先构建地物类颜色与类序号之间的映射关系,然后按照该映射关系将RGB三通道地物类别标注数据转换为单通道地物类别标签数据,类别标签属于{0,1,2,...,k-1},其中k为地物类别总数;
步骤2.3,利用步骤2.2所得单通道地物类别标签数据获取边界类别标签数据:具
体地,针对地物类别标签图
GT中每个像素
,利用其四邻域像素
辅助判断其是否属于边界像素,所遵循规则
为:如果像素
与其四邻域像素不全部相等,则
是边界像素;如果像素
与其
四邻域像素全部相等,则
不是边界像素;
步骤2.4,对训练样本集经上述处理所获得的高分遥感影像数据、地物类别标签数据以及边界类别标签数据同步进行数据增强:具体地,首先利用固定大小为H×W的滑动窗口进行批量随机裁剪,然后对所获裁剪切片进行随机旋转90°、随机旋转180°、随机旋转270°、水平翻转、垂直翻转等处理,完成训练数据集的构建。
进一步的,步骤3中语义分割分流网络采用编码-解码范式架构,具体搭建流程为:
步骤3.1.1,搭建含五级网络结构的特征编码器:前三级分别包括连续的n 1、n 2、n 3个卷积单元与2×2最大池化层,所述卷积单元为依次连接的3×3卷积层、批归一化层、线性整流激活函数层;第四级包括连续的n 4个多尺度特征提取模块与2×2最大池化层;第五级为依次连接的n 5个空洞卷积构成的混合空洞卷积模块;
步骤3.1.2,搭建含四级网络结构的特征解码器:第一级包括连续的上采样层、多级信息融合模块与n 4-1个多尺度特征提取模块;第二、三、四级分别包括连续的上采样层、多级信息融合模块与n 3-1、n 2-1、n 1-1个卷积单元;所述上采样层为4×4转置卷积单元,包括连续的4×4转置卷积、批归一化层、线性整流激活函数层;
步骤3.1.3,搭建分类模块:所述分类模块包括连续的通道数为k的1×1卷积层与softmax层,用于将语义分割结果表示为地物类别标签空间上的概率分布,形式如下:
其中a n 对应于所述1×1卷积层输出结果的第n维值,k为上述语义分割地物类别数,y n 为第n类地物的预测概率。
进一步的,所述多尺度特征提取模块由四个平行的卷积块构成:第一个卷积块包
括一个1×1卷积单元;其余三个卷积块包括依次连接的1×1卷积单元和
K i ×
K i 卷积单元,
;所述1×1卷积单元包括连续的1×1卷积层、批归一化层和线性整流激活函数
层,所述
K i ×
K i 卷积单元包括连续的
K i ×
K i 卷积层、批归一化层和线性整流激活函数层,
K i 表
示卷积层的卷积核大小;
所述混合空洞卷积模块由N个不同空洞率[r 1,…, r i ,…r N ]的空洞卷积单元组成,所述空洞卷积单元包括连续的K d ×K d 空洞卷积层、批归一化层和线性整流激活函数层,所述混合空洞卷积模块的设计原则如下:
将第i个空洞卷积单元对应感受野中非零值之间的最大距离记作M i ,则
设计目标为M 2 ≤K d ,其中M N = r N ,K d 表示空洞卷积的卷积核大小。
进一步的,步骤3中边缘检测分流网络的具体构建流程为:
步骤3.2.1,编码端卷积特征提取:从步骤3.1.1所述五级特征编码器中提取所有的卷积特征,并将其作为边缘检测分流网络的编码端特征;
步骤3.2.2,各级边界融合特征集成:首先将步骤3.2.1所得第一级的n 1个卷积特征分别进行通道数为k的1×1卷积,得到n 1个二通道卷积特征F 1~ Fn 1,其中k为语义分割地物类别总数;然后对F 1~ Fn 1进行通道维度拼接,并进行通道数为2的1×1卷积,得到第一级的边界融合特征E 1;同样处理第二、三、四、五级的卷积特征,得到相应的边界融合特征F E2~ F E5;
步骤3.2.3,边界特征分辨率恢复:采用转置卷积操作将特征F E2~ F E5分别上采样至原始影像分辨率,得到特征E 2~E 5;
步骤3.2.4,多尺度边界融合特征集成:对特征E 1~E 5进行通道维度拼接,得到多尺度边界融合特征F MS ;
步骤3.2.5,边界分类:将F MS 输入边界分类模块,所述边界分类模块包括连续的通道数为2的1×1卷积层与softmax层,用于将边缘检测结果转换为边界类别标签空间上的概率分布。
进一步的,所述边缘检测分流网络与所构建语义分割分流网络共享编码端所有卷积特征,并通过多级信息融合模块将同分辨率的语义分割编码特征与边缘检测特征引入语义分割解码端,实现深、浅层特征的高效融合与边界信息监督,所述多级信息融合模块的核心思想是:基于通道注意力机制实施特征重新校正,其具体流程为:
首先,在解码端将具有相同空间分辨率的语义分割分流网络编码层特征
、语义分割分流网络解码层特征
以及
边缘检测分流网络解码层特征
进行通道维度拼接,得到初步融合
特征
,
;然后将融合特征
F M 分别在空间维度
上进行全局最大池化和全局平均池化,获得两个空间上下文特征描述符
与
;然后将
F Max 与
F Avg 输入连续的两层共享
感知机和
sigmoid激活函数层,通过学习获得通道注意力特征
;然后
将通道注意力特征
F Att 与初步融合特征
F M 进行逐像素相乘,实现权重分配,得到注意力校正
特征
;最后利用残差结构连接初步融合特征
F M 与注意力校正特征
F ' ,实现两特征之间的像素相加,获得最终的多级信息融合特征
;其
中
H与
W表示特征的空间高度与宽度;
C、C 1 、C 2 为相应特征的通道维度。
进一步的,所述步骤4包含以下步骤:
步骤4.1,批量输入训练集数据至上述边界增强型双流网络,通过自动化特征提取与端到端预测,得到相应的语义分割预测结果和边缘检测预测结果;所述批量大小为m;
步骤4.2,根据地物类别标签真值与边界标签真值,利用复合损失函数计算步骤4.1批训练下的损失,所述复合损失函数如下:
其中
L SS 与
L ED 分别为语义分割分流与边缘检测分流的损失函数,
为损失函数调节
因子,
L SS 与
L ED 的具体定义如下:
其中,
N批输入下的所有像素总数,
为像素
n对应于第
c类的独热码值,
为像
素
n的预测结果属于类别
c的
softmax概率;
为像素
n的边界标签真值,
为边缘检测分
流将像素
n预测为边界的
softmax概率,
E +为边界像素总数,
为非边界像素总数;
步骤4.3,采用Adam优化算法,最小化步骤4.2所述复合损失函数,通过反向传播实现模型参数迭代更新;
步骤4.4,重复上述步骤4.1~4.3,直至模型收敛,获得最终语义分割模型。
进一步的,步骤4.3的具体实现流程如下;
步骤4.3.1,计算迭代次数
t下的梯度:
,其中
θ表示模型参数,
表示梯度算子符号;
步骤4.3.2,计算梯度的一阶矩估计
m t 与二阶矩估计
v t :
,
,其中
β 1与
β 2分别为一阶矩和二阶矩
的指数衰减率;
步骤4.3.3,对梯度的一阶矩估计
m t 与二阶矩估计
v t 进行偏置修正,得到
与
:
,
;
步骤4.3.4,模型参数更新:
,其中
η为学习
率,
ε是为了维持数值稳定而添加的常数。
进一步的,所述步骤5包含以下步骤:
步骤5.1,对测试样本集待语义分割遥感影像进行归一化处理,所述归一化操作同步骤2.1所述;
步骤5.2,利用步骤4.4所获语义分割模型对步骤5.1处理后的高分遥感影像进行
重叠推理:具体地,首先利用大小为H
1×W
1的滑动窗口以横向
、纵向
的
步幅遍历整张影像;然后裁剪滑动窗口内影像,将其输入网络,获得语义分割分流网络的
softmax概率输出结果R;然后将R中每个像素概率最大值对应的地物类别标签作为其语义
分割结果;重复上述操作,直至整张影像遍历结束;最后将所有裁片的语义分割结果按原位
置关系拼接,其中针对重叠区域仅保留距离像素中心较近的一半,最终得到整张影像的语
义分割结果;
步骤5.3,利用步骤2.2所述地物类颜色与类序号之间的映射关系对上述语义分割结果进行着色,得到最终的彩色语义分割结果图。
本发明与现有技术对比,具有如下有益效果:
(1)本发明针对高分辨率遥感影像语义分割任务,提出一种边界增强型双流网络方法,通过联合语义分割与边缘检测两项任务,强化边界特征学习能力,弥补现有语义分割方法中边界细节特征大大损失的缺陷,从而改善语义分割结果边界模糊问题;同时通过采用语义分割分流网络与边缘检测分流网络编码层特征共享复用策略,实现特征间的强耦合、降低模型复杂度,有效提高模型效率;
(2)本发明通过构建多尺度特征提取模块与混合空洞卷积模块,丰富网络的多尺度特征感知能力和上下文信息集成能力,明显提升了网络的语义分割性能,促使语义分割结果呈现出更好的类内一致性与类间可区分性;此外,本发明通过构建多级信息融合模块,削弱语义鸿沟的影响,从而高效融合不同任务、不同级别下的特征,促进网络特征的充分利用。
附图说明
为更加清晰地理解本发明的技术方案,下面将针对具体实施示例中所涉及的附图进行展示与简易介绍,它们构成本说明书的一部分,并不用于限定本发明的权利要求范围。
图1为本发明一种面向高分遥感影像的边界增强型语义分割方法的流程示意图;
图2为本发明具体实施中边界增强型双流网络的结构示意图;
图3为本发明具体实施中多尺度特征提取模块的结构示意图;
图4为本发明具体实施中多级信息融合模块的结构示意图。
具体实施方式
下面将结合附图和具体实施示例对本发明的技术方案进行详细阐述。
具体地,如图1和图2所示,本发明提供的一种面向高分遥感影像的边界增强型语义分割方法,包括如下步骤:
步骤1,获取高分辨率遥感影像原始数据集,并将其划分为训练样本集与测试样本集。
步骤2,预处理上述高分辨率遥感影像训练样本集,构建训练数据集,具体包括:高分遥感影像数据归一化、地物类别标注数据类序转换、边界标签数据获取、数据增强。
在本实施例中,步骤2包括如下步骤:
步骤2.1,对训练样本集中的高分遥感影像进行归一化处理:具体地,采用最大最小归一化方法将像素值线性变换至0-1范围内,其形式如下:
其中
为高分遥感影像位置(
i,j)处的像素值,
与
分别为影像中的最大像素值与最小像素值。
高分辨率遥感影像幅度广阔,像素值分布差异较大,上述步骤有助于消除量纲的影响,同时有助于加快网络收敛、提高语义分割性能。
步骤2.2,对训练样本集中的地物类别标注数据进行类序转换:具体地,首先构建地物类颜色与类序号之间的映射关系,然后按照该映射关系将RGB三通道地物类别标注数据转换为单通道地物类别标签数据,类别标签属于{0,1,2,...,k-1},其中k为地物类别总数。
步骤2.3,利用步骤2.2所得单通道地物类别标签数据获取边界类别标签数据:具
体地,针对地物类别标签图
GT中每个像素
,利用其四邻域像素
辅助判断其是否属于边界像素,所遵循规则
为:如果像素
与其四邻域像素不全部相等,则
是边界像素;如果像素
与其
四邻域像素全部相等,则
不是边界像素。
高分辨率遥感影像数据集一般不提供相应的边界类别标签数据,通过上述步骤可以在不增加人工标注负担的前提下获得边界类别标签数据,从而实现边缘检测分流网络的监督训练。
步骤2.4,对训练样本集经上述处理所获得的高分遥感影像数据、地物类别标签数
据以及边界类别标签数据同步进行数据增强,以丰富训练样本,增强网络的泛化能力:具体
地,首先,受GPU限制,高分遥感影像太大而无法直接输入网络,故利用固定大小为
像
素的滑动窗口进行批量随机裁剪,然后对所获裁剪切片进行随机旋转90°、随机旋转180°、
随机旋转270°、水平翻转、垂直翻转等处理,完成训练数据集的构建。
步骤3,如图1所示,搭建面向高分遥感影像语义分割的边界增强型双流网络模型,包括语义分割分流网络与边缘检测分流网络,它们通过编码器复用以及多级信息融合模块实现特征深度耦合。
在本实施例中,步骤3包括如下步骤:
步骤3.1,构建语义分割分流网络:具体地,如图2所示语义分割分流网络采用编码-解码范式架构,且包含多尺度特征提取模块与混合空洞卷积模块。
如图2所示,本实施例中,所述步骤3.1的具体搭建流程为:
步骤3.1.1,搭建含五级网络结构的特征编码器:前三级分别包括连续的2、2、3个卷积单元与2×2最大池化层,所述卷积单元为依次连接的3×3卷积层、批归一化层、线性整流激活函数层;第四级包括连续的3个多尺度特征提取模块与2×2最大池化层,所述多尺度特征提取模块如图3所示;第五级为依次连接的3个空洞卷积构成的混合空洞卷积模块。
步骤3.1.2,搭建含四级网络结构的特征解码器:第一级包括连续的上采样层、多级信息融合模块与2个多尺度特征提取模块;第二、三、四级分别包括连续的上采样层、多级信息融合模块与2、1、1个卷积单元;所述上采样层为4×4转置卷积单元,包括连续的4×4转置卷积、批归一化层、线性整流激活函数层;所述多级信息融合模块如图3所示,所述卷积单元同步骤3.1.1所述。
步骤3.1.3,搭建分类模块:所述分类模块包括连续的通道数为k的1×1卷积层与softmax层,用于将语义分割结果表示为地物类别标签空间上的概率分布,形式如下:
其中a n 对应于所述1×1卷积层输出结果的第n维值,k为上述语义分割地物类别数,y n 为第n类地物的预测概率。
本实施例中,如图3所示,所采用多尺度特征提取模块由四个平行的卷积块构成:
第一个卷积块包括一个1×1卷积单元;第二个卷积块包括依次连接的1×1卷积单元和3×3
卷积单元;第三个卷积块包括依次连接的1×1卷积单元和5×5卷积单元;第四个卷积块包
括依次连接的1×1卷积单元和7×7卷积单元,所述
卷积单元包括连续的
i
×
i卷积层、批归一化层和线性整流激活函数层。通过采用不同大小的卷积核提取特征,可
以丰富网络对多尺度特征的感知能力,从而增强网络对不同地物的鉴别能力;同时该模块
中的1×1卷积操作用于执行通道维度特征衰减,有助于降低网络参数,减小模型复杂度。
本实施例中,所采用混合空洞卷积模块由3个空洞率为1,2,3的空洞卷积单元依次连接构成,所述空洞卷积单元包括连续的空洞卷积层、批归一化层和线性整流激活函数层。通过巧妙设计不同的空洞率,该模块可以有效增大感受野,提高网络的上下文特征集成能力,同时可以避免常见的网格效应问题。
步骤3.2,构建边缘检测分流网络:如图2所示,所述边缘检测分流网络与步骤3.1所构建语义分割分流网络共享编码端所有卷积特征;并通过多级信息融合模块将同分辨率的语义分割编码特征与边缘检测特征引入语义分割解码端,实现深、浅层特征的高效融合与边界信息监督。
如图2所示,本实施例中,所述步骤3.2边缘检测分流网络的具体构建流程为:
步骤3.2.1,编码端卷积特征提取:从步骤3.1.1所述五级特征编码器中提取所有的卷积特征,并将其作为边缘检测分流网络的编码端特征。
步骤3.2.2,各级边界融合特征集成:首先将步骤3.2.1所得第一级的2个卷积特征分别进行通道数为k的1×1卷积,得到2个二通道卷积特征F 1、F 2,其中k为语义分割地物类别总数;然后对F 1、F 2进行通道维度拼接,并进行通道数为2的1×1卷积,得到第一级的边界融合特征E 1;同样处理第二、三、四、五级的卷积特征,得到相应的边界融合特征F E2~ F E5。
步骤3.2.3,边界特征分辨率恢复:采用转置卷积操作将特征F E2~ F E5分别上采样至原始影像分辨率,得到特征E 2~E 5。
步骤3.2.4,多尺度边界融合特征集成:对特征E 1~E 5进行通道维度拼接,得到多尺度边界融合特征F MS 。
步骤3.2.5,边界分类:将F MS 输入边界分类模块,所述边界分类模块包括连续的通道数为2的1×1卷积层与softmax层,用于将边缘检测结果转换为边界类别标签空间上的概率分布。
本实施例中,如图4所示,所构建多级信息融合模块的核心思想是:基于通道注意
力机制实施特征重新校正,其具体流程为:首先,在解码端将具有相同空间分辨率的语义分
割分流网络编码层特征
、语义分割分流网络解码层特征
以及边缘检测分流网络解码层特征
进行通道维度拼接,得到初步融合特征
,
;然
后将融合特征
F M 分别在空间维度上进行全局最大池化和全局平均池化,获得两个空间上下
文特征描述符
与
;然后将
F Max 与
F Avg 输入连续
的两层共享感知机和
sigmoid激活函数层,通过学习获得通道注意力特征
;然后将通道注意力特征
F Att 与初步融合特征
F M 进行逐像素相乘,实
现权重分配,得到注意力校正特征
;最后利用残差结构连接初步融
合特征
F M 与注意力校正特征
F ' ,实现两特征之间的像素相加,获得最终的多级信息融合特征
;其中
H与
W表示特征的空间高度与宽度;
C、C 1 、C 2 为相应特征的通道
维度。
步骤4,利用训练数据集对所述面向高分遥感影像语义分割的边界增强型双流网络模型进行双任务监督训练,获得相应的语义分割模型。
本实施方式中,步骤4包括如下具体步骤:
步骤4.1,批量输入训练集数据至上述边界增强型双流网络,通过自动化特征提取与端到端预测,得到相应的语义分割预测结果和边缘检测预测结果。本实例中,批量大小为16。
步骤4.2,根据地物类别标签真值与边界标签真值,利用复合损失函数计算步骤4.1批训练下的损失,本实施中,所述复合损失函数如下:
其中L SS 与L ED 分别为语义分割分流与边缘检测分流的损失函数,其定义如下:
其中,
N批输入下的所有像素总数,
为像素
n对应于第
c类的独热码值,
为像素
n的预测结果属于类别
c的
softmax概率;
为像素
n的边界标签真值,
为边
缘检测分流将像素
n预测为边界的
softmax概率,
E +为边界像素总数,
为非边界像素总
数;
步骤4.3,采用Adam优化算法最小化步骤4.2所述复合损失函数,并通过反向传播实现模型参数迭代更新,具体实现流程如下:
步骤4.3.1,计算迭代次数
t下的梯度:
,其中
θ表示模型
参数,
表示梯度算子符号;
步骤4.3.2,计算梯度的一阶矩估计
m t 与二阶矩估计
v t :
,
,其中
β 1与
β 2分别为一阶矩和二阶矩的指数衰减率。本实例中,
分别为0.9、0.99。
步骤4.3.3,对梯度的一阶矩估计
m t 与二阶矩估计
v t 进行偏置修正,得到
与
:
,
;
步骤4.3.4,模型参数更新:
,其中
η为学
习率,
ε是为了维持数值稳定而添加的常数。本实例中,η为0.003,ε为1e-8。
步骤4.4,重复上述步骤4.1~4.3,直至模型收敛,获得最终语义分割模型。
步骤5,利用图2所示语义分割模型对测试样本集中的高分遥感影像进行推理预测,具体包括:遥感影像归一化处理、重叠推理、语义分割结果着色处理。
本实施方式中,步骤5包括如下具体步骤:
步骤5.1,对测试样本集待语义分割遥感影像进行归一化处理,所述归一化操作同步骤2.1所述。
步骤5.2,利用步骤4.4所获语义分割模型对步骤5.1处理后的高分遥感影像进行重叠推理:具体地,首先利用大小为1024×1024的滑动窗口以横向512像素、纵向512像素的步幅遍历整张影像;然后裁剪滑动窗口内影像,将其输入网络,获得语义分割分流网络的softmax概率输出结果R;然后将R中每个像素概率最大值对应的地物类别标签作为其语义分割结果;重复上述操作,直至整张影像遍历结束;最后将所有裁片的语义分割结果按原位置关系拼接,得到整张影像的语义分割结果,其中针对重叠推理区域,进行语义分割结果拼接时,仅保留距离像素中心近的一半。
受GPU性能限制,高分遥感影像往往因太大而无法直接输入网络,通过上述裁剪-推理-拼接流程可解决此问题,同时重叠推理策略有助于缓解边界效应,提高裁片边界预测准确率。
步骤5.3,利用步骤2.2所述地物类颜色与类序号之间的映射关系对步骤5.2所得语义分割结果进行着色,得到最终的彩色语义分割结果图。
上述附图与阐述公布了本发明的一个具体实施示例,但本发明并不局限于此。应当可以理解,基于上述示例,在不脱离本发明核心思想的的范围内,本领域普通技术人员可以以各种形式对本发明进行简易变形与改动,这些由本发明所衍生的非创造性改进也应属于本发明权利要求及其等同技术的范围之内。