多尺度遥感图像道路提取

文摘

最新进展在卷积神经网络(cnn)展示了令人印象深刻的语义分割结果。在成功CNN-based方法,U-Net取得了激动人心的性能。在本文中,我们提出了一个新颖的网络体系结构基于U-Net和深黑色的空间金字塔池(ASPP)处理道路提取任务在遥感领域。一方面,U-Net结构可以有效地提取有价值的功能;另一方面,ASPP能够利用多尺度遥感图像上下文信息。与基线相比,该模型提高了pixelwise意味着十字路口/联盟(mIoU) 3分。实验结果表明,该网络结构可以处理不同类型的路面提取任务在不同地形在银川城市,解决道路连通性问题在某种程度上,并有一定的公差阴影和遮挡。

1。介绍

在遥感图像道路提取是一个非常重要的和具有挑战性的任务。是具有重要意义的地图组成,有效的精准农业,城市规划,等。目前,道路提取一般使用人工目视判读,非常耗时,并且可能产生不同的结果,由于翻译的专业性。在遥感图像的采集,有一系列不可避免的问题,如地形差异,阴影和遮挡。这些问题将对道路提取构成一定挑战。同时,很难发展道路提取的通用架构,因为道路和道路建设标准的定义是不同的在不同的国家。

近年来,随着美国有线电视新闻网的发展(1],CNN发挥了越来越重要的角色在提供计算机视觉和解决自然语言处理问题。基于CNN语义分割是一个重要的任务。主要用于计算机视觉应用,如自动驾驶,遥感图像判读和医学图像处理。这个任务经历了重大进展,与优秀的网络体系结构如FCN [2]和U-Net [3]。FCN语义分割与CNN的开创性工作。U-Net首次提出在医学图像处理领域的广泛应用于小样本的语义分割。它不仅可以考虑使用上下文信息也准确地定位语义分割对象。然而,简单的提取多尺度遥感图像上下文信息是不够的。

在本文中,我们的目标是解决三个城市的道路提取银川城市,总面积2045平方公里。这些地区复杂的地形,包括山脉、冲积平原、沙漠、耕地、城市地区,光伏电站和林地。道路在不同地形的形状也不同。为此,我们提出一个基于encoder-decoder和深黑色的空间网络结构金字塔池(4]。同时,采用多个损失函数的组合作为最终的损失函数。实验表明,该方法性能达到82.3%的银川城市测试集没有任何后处理。因此,这种方法可以更好的解决道路提取的问题在该地区。

论文的其余部分安排如下。节2,道路提取的相关工作。节3,阐述了该方法分割不同的模块。部分4给出了详细的实验数据,评估标准和实验结果。最后,给出的结论是在部分5。

2。相关工作

2.1。卷积神经网络

CNN是一个神经网络设计的过程数据和类似的网状结构。堆放在order by卷积层、汇聚层,激活功能层,和一个完全连接层。输入一个图像,CNN可以输出的得分值相对应的分类图像。CNN是第一个神经网络来解决商业应用。早在1990年代,LeNet-5 [5)已成功应用于数字识别,部署商业和阅读每天数以百万计的检查。2012年,AlexNet [6)的获胜者ILSVRC [7]。AlexNet解决图像分类的问题,建立了计算机视觉的新格局。然后,CNN架构的顶级竞争者提出的品种,如GoogleNet [8],ResNet [9],DenseNet [10),和其他(11]。这些网络架构可以提取图像特征图,为语义分割奠定坚实的基础。特别是ResNet解决问题的“增加出错率随着网络日益加深。“我们的网络体系结构使用ResNet34作为特征提取器。

2.2。语义分割

语义分割是图像每个像素的分类。它是由图像分类演变而来的。FCN语义分割与CNN的先驱工作。它将完全连接层在传统的CNN转化为卷积层然后upsamples恢复原始图像的分辨率。U-Net使用跳过连接和encoder-decoder架构更准确的结果。SegNet [12)解决了位置信息损失的问题通过使用池的指数最大的位置。RefineNet [13)利用特性在不同的抽象级别高分辨率细分,提出了“链接残余池”,这是能够捕捉图像区域从大的背景环境。LinkNet [14)可以快速执行语义分割,同时保证准确性。PSPNet [15)使用空间金字塔池技术获得多层次语义特征。基于U-Net架构,有许多优秀的语义分割网络,如W-net [16),U-Net + + (17],和多光谱U-NET [18]。DeepLab [4,19]系列增强语义分割的准确性通过扩大接受域和上下文信息。

2.3。道路提取

目前,道路提取主要是通过目视判读获得准确的结果。在过去的几年里,机器学习方法由猪(20.)和支持向量机(21已经取得了一些进展。绝大多数识别(22)是世界上第一个面向对象遥感判读软件。它提出了一个革命性的分类技术,为道路提取提供了新的想法。使用深度学习的遥感图像判读技术主要分为两类,语义分割(23和边缘检测24]。在本文中,我们使用语义分割道路提取的方法。

最近工作(25迭代和分层次合并功能层次结构,以更好地融合跨层信息。(26)提出一个新颖的对象上下文轮询((OCP)总根据对象上下文的信息。(27]提出全局上下文信息和有选择地突出class-dependent特征图。(28]提出特征图对应于相邻尺度之间交换信息。SENet [11)学习每个通道自动学习的重要性,然后根据这个重要性增强有用特性和抑制特性对于当前任务不有用。Self-supervised学习(29日和元学习30.也可以应用在语义分割。所有这些方法得到一个共同的语义分割体系结构通过改变网络结构或提出一个通用的模块。相比之下,我们的模型是专为银川城市的三个城市有一定的特异性。通过考虑当地复杂的地形特点和当地的自然属性的道路,我们添加特征提取后的ASPP模块基于encoder-decoder架构进一步提取图像的多尺度上下文信息。通过收购图像的多尺度上下文信息,网络能够适应多尺度道路在不同的地形,使它容易对像素进行分类。

3所示。我们的方法

在本节中,我们介绍一下我们提出的网络体系结构,然后详细说明每个模块的构成,然后解决问题。我们也提出一个结合损失函数,进一步提高了性能更好的优化mIoU。

3.1。网络体系结构

网络架构提出了图1。它分为两个部分:提取特征图谱的编码器和解码器恢复特性映射分辨率。编码器由ResNet34和ASPP模块和LinkNet译码器使用相同的解码器。ResNet解决性能下降的问题,提出了网络深度的增加;基线架构是一样的平网,除了插入快捷连接构成剩余网络。ASPP采用类似空间金字塔池的结构,其目的是为了获得更健壮的分割结果与多尺度信息。它使用四个平行的深黑色的深黑色的利率和映像级别不同的特色的卷积获得多尺度图像上下文信息。解码器使用LinkNet解码器一样,关注语义分割的速度。同时,解码器的编码器连接映射到相应的大小,和计算速度大大提高的前提下确保准确性。

3.1.1。编码器

ResNet34。语义分割任务通常需要通过卷积操作特征提取与低分辨率生成特征图。为了达到更高的精度,我们开始深化网络的层数,但随着网络层数的增加,梯度消失问题和梯度爆炸问题通常变得越来越明显,从而导致网络收敛很慢甚至不收敛。当然,深卷积神经网络可以通过添加常规条款和改变优化收敛激活函数。在这一点上,将会有一个降级问题:随着网络深度的增加,训练集的准确性下降。降级的问题表明,深层网络不能很好地优化。ResNet正式提出解决降低的问题,所以我们使用ResNet34作为主要特征提取器。

的基本成分残留网络剩余块(图2),每个剩余块由两层卷积。输入一个图像 ,完成卷积和ReLU操作,得到剩余映射定义为 在哪里是输入向量的残块,代表ReLU操作,是一个连接矩阵匹配维度。同时,传递给一个快捷方式连接的输入图像,标识映射 。然后,输入剩余映射和身份映射elementwise之外,剩余的输出块定义为 在哪里用于匹配维度的尺寸和是不同的。注意,这个函数 可以代表多个卷积层,elementwise除了表明每个特征图谱channel-by-channel和执行中的元素。

ASPP。在银川城市道路提取是一项艰巨的任务。地形复杂,道路是显示在各种形式;道路的建设标准是不同的,例如不同的宽度和不同的材料;道路有严重的阻塞问题,比如阴影和树木。为了应对这些问题,我们连接ASPP ResNet34后网络架构的关键元素,进一步从特征提取多尺度上下文信息地图,然后融合提取的信息。ASPP,深黑色的卷积可以解决的问题造成分辨率下降DCNNs而调整滤波器的接受域和不添加新的额外的学习参数;深黑色的利率代表了步长采样输入特性的地图,和修改的价值深黑色的速度可以改变滤波器的接受域,也可以控制的简洁性的特点完整的卷积网络。在我们的网络体系结构中,ASPP包括11卷积和三个33隆起的深黑色的利率6、12和18,映像级别特性(图1)。

3.1.2。译码器

获取图像的特征映射后的编码器,我们恢复特性映射到原始图像的大小由译码器密度预测。我们的期望强度预测是保证精度的速度没有损失。通过实验比较,LinkNet包含更少的参数,甚至整个网络是更有效的,可以实现实时操作。编码器的功能映射得到的多重卷积和将采样操作。一些将采样过程中空间信息丢失,,很难完全恢复丢失的信息只有upsampling解码器的操作。因此,编码器联系映射到相应的解码器通过跳过连接,和由编码器译码器可以直接获得学习信息,和译码器利用低级精确位置信息在不添加额外的参数和计算,从而提高了精度和速度。

网络体系结构包括四个译码器的译码器块,每一个由两个旋转和一个完整的卷积。译码器的输入块由两部分组成:前一层和编码器的输出从跳过地图连接(图3)。此外,还有一批标准化之间回旋的层,其次是ReLU非线性和2意味着upsampling 2倍。

3.2。损失函数

道路提取是一种严重的不平衡任务的道路占据了整个画面的一小部分,其余的是背景。有两种方法可以解决这些问题:一方面,平衡数据集;另一方面,提高了损失函数。我们用后者来改善模型性能。

常见的损失函数的语义分割是进行像素级叉损失,这是单独检查每个像素和比较类预测编码的一个炎热的目标向量。自从叉损失函数分别计算每个像素的分类预测平均向量,然后所有的像素,我们可以考虑,损失函数对图像中每个像素一视同仁。然而,我们的数据集分类是严重失衡的,背景是训练有素的太多次,导致训练结果倾向于背景。另一个受欢迎的损失函数的语义分割是根据骰子损失函数系数,它将从实质上衡量两个样本之间的重叠度。骰子系数计算公式如下: 在哪里 代表的共同元素集的数量和 , 表示集合的元素的个数 ,和表示集合的元素的个数 。在方程(1),分子集中在预测和目标之间的交集面具,和分母的激活有关每一个面具。这产生一个正常化的影响损失的大小根据目标的面具。因此,用更少的样本类别的网络学习可以增强图像。我们注意到伯曼et al。31日)提出了Lovasz-Softmax损失优化评价指标借据的分割任务。为了提高预测的准确性,我们结合二叉叉(公元前),骰子系数,作为我们最终的损失函数和Lovasz-Hinge损失。最后损失函数如下: 在哪里代表了公元前损失,根据骰子代表了损失函数系数,代表Lovasz-Hinge损失,控制不同的重量损失。

4所示。实验

本节提供了一个通过我们的实验的描述。我们将开始与数据集,然后解释我们的实验细节和评估标准,最后给我们的实验结果。

4.1。数据集

在我们的实验中,卫星图像用于道路提取来自Gaofen-2卫星。它涵盖了银川城市的三个地区:兴庆区,金丰区和西夏区,面积共2045人 ,和地面分辨率图像的像素是100厘米/像素。我们的目标是提取三个地区的道路。标记数据集由Gaofen-2卫星的304张图片和6226的图像32,都是1024年1024像素的大小和覆盖1950人在总。标签数据集分为训练/验证/测试集,每个4571 / 653/1,306图片(对应于一个分裂的70% / 10% / 20%)。银川城市的三个地区被用作应用程序场景。

的数据(32只包含农村和城市地区,地形相对比较简单。的领域,我们需要提取道路不仅包括农村地区和城市地区,而且多山,冲积平原、沙漠、光伏电站领域,和林地区域。不同的地形都有自己的特点,道路的类型是不同的,也对道路提取的影响也是不同的。的数据(32)不能适应复杂地形在实验区域。Gaofen-2卫星是贴有标签的数据集的数据太少,所以我们使用外部数据集[32)扩大训练数据的任务。

证明我们的方法的优越性,我们验证了我们的模型在麻萨诸塞州公路数据集(33]。麻萨诸塞州公路数据集包含火车/验证/测试集1108 / 14/49图片一样,每个大小为15001500像素。1536我们填补所有的图像1536像素,然后作物每个图像到512年512像素的图像。为了提高模型的泛化能力,马萨诸塞州道路图像的数据集部分阻挡部分。整个图像阻挡,裁剪的图像我们删除这个图像训练集的一部分。经过一系列的操作,处理数据集麻萨诸塞州的道路最后包含8616 / 126/441的图像,对应于火车集/验证/测试集,和每个图像的大小是512512像素。

4.2。评估标准

在我们的实验中,我们使用像素精度(PA)和Jaccard指数作为评价标准。爸爸指的正确分类像素的数量比所有像素的数量。意味着十字路口在联盟(mIoU)语义分割的标准度量,是指预测分割与地面的交点真理除以联盟预测的分割和地面真理。

假设像素的数量是正确地预测道路像素,像素的数量是错误的预测是道路像素,像素的数量是正确预测non-road像素,然后呢像素的数量是错误的预测是non-road像素的图像。爸爸表示由以下方程:

假设有n图片,mIoU被定义为平均借据在所有图片:

4.3。实现细节

在训练阶段,为了避免过度拟合,我们使用一些常规的手段来扩大训练数据集,包括随机翻转(水平、垂直、对角线),随机,随机变化,颜色抖动。我们训练有素的100年的网络时代使用SGD优化和设置每个参数组的学习速率使用余弦退火时间表,在迭代的最大数量是5,开始学习速率的0.1降低到0.001。体重衰变和动量值设置在1和0.9的军医,分别。损失函数设置为0.1。

在测试和应用阶段,为了提高我们预测的鲁棒性,我们实现了测试时间增加(TTA),由8平均预测,包括水平翻转,对角线垂直翻转,翻转。

4.4。实验结果

我们随机选择的道路提取模型的预测结果在不同地形,如图4。正如我们所见,我们的模型可以提取道路的不同形状不同的地形,如崎岖的山路,小路在一个字段,和城市的主要道路。

如表所示1,我们比较我们的网络体系结构与当前模型(3,14,19,34]。我们的模型是3.78%和1.60%高于U-Net和LinkNet34 mIoU。这说明我们的有效性提出了网络体系结构和损失函数专门为银川城市。同时,我们注意到我们的模型有相同的像素精度DeepLabv3 +,这是mIoU下降了0.8%。这有两个原因。首先,我们的模型使用ResNet34作为后端,和DeepLabv3 +使用对齐Xception [19作为后端)。其次,道路标签不是很准确。我们的模型是略优于D-LinkNet像素精度和mIoU。像素精度验证ASPP模块的性能略优于中心D-LinkNet的一部分。mIoU验证的性能损失函数和方法的训练模型是有效的。

图5显示了比较具体的提取结果。U-Net薄弱,不能适应的多样性特征。例如,第一行的主要道路图5不认可。其次,U-Net上执行不佳和连接的详细信息,如第三、第四、第五行图5。其余的模型有良好的公路性能的特性。比较后,我们可以发现我们的模型更完整的图像中提取道路,和细节的控制更精确。

我们的方法是健壮的道路连通性问题造成的阴影,遮挡,等我们比较经典的encoder-decoder模型。第一行所示图6,我们的模型可以解决道路连通性问题引起的立交桥和阴影遮挡。另外,我们的模型也宽容不同的颜色的画面风格,如第二行图所示6。

麻萨诸塞州公路数据集上的实验结果如表所示2。LinkNet执行像素精度最好,和我们的模型对mIoU最佳的性能。麻萨诸塞州公路数据集具有相同的道路宽度(道路宽度是不同的在我们的数据集)。DeepLabv3 +和D-LinkNet的设计主要考虑了多尺度分割对象的概念,虽然深黑色的卷积模型的接受域增加,但分割对象的行为都是一致的。这两个模型没有充分发挥优势,但是网络是简单和LinkNet性能略好。我们的模型也考虑多尺度的概念。与此同时,我们设计了一种新的优化mIoU损失函数,所以它是合理的对我们的模型对mIoU执行最好。

5。结论

在本文中,我们提出了一种新颖的网络道路提取。我们分析了银川城市的特殊地形和扩大我们的培训与外部数据集的数据集。在网络体系结构方面,我们结合ASPP和经典encoder-decoder架构和结合三个损失函数提出的损失函数更适合我们的应用程序场景。实验表明,我们的方法可以解决道路提取的任务在银川城市在某种程度上,它具有一定的鲁棒性阴影,闭塞,和连接。该方法具有良好的应用前景。

目前,这是一个非常耗时且乏味的任务手动标签遥感图像。论文的工作也是一个很好的实践引入外部数据集。在未来,更多的关注将弱监督学习和元学习为了提高我们的方法的能力。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由宁夏回族自治区重点研发计划项目“关键技术研究和示范应用的空间规划智能监控基于高分遥感”(项目编号2018 ybzd1629)。

引用

1. y LeCun (b .波沙,j·s·德克et al .,“反向传播应用于手写邮政编码识别,”神经计算,1卷,不。4、541 - 551年,1989页。视图:出版商的网站|谷歌学术搜索
2. j .长,大肠Shelhamer, t·达雷尔“完全卷积网络语义分割”《IEEE计算机视觉与模式识别会议,页3431 - 3440,波士顿,MA,美国,2015年6月。视图:出版商的网站|谷歌学术搜索
3. o . Ronneberger、p·费舍尔和t . Brox”U-Net:卷积网络生物医学图像分割”《医学影像计算和计算机辅助介入的国际会议施普林格,页234 - 241年,慕尼黑,德国,2015年10月。视图:谷歌学术搜索
4. L.-C。陈,g .帕潘德里欧Kokkinos, k .墨菲和a . l . Yuille”DeepLab:语义图像分割与深度卷积网,深黑色的卷积,并完全连接控,“IEEE模式分析与机器智能,40卷,不。4、834 - 848年,2018页。视图:出版商的网站|谷歌学术搜索
5. y LeCun (l . Bottou y Bengio, p . Haffner“Gradient-based学习应用于文档识别,”IEEE学报》,卷86,不。11日,第2324 - 2278页,1998年。视图:出版商的网站|谷歌学术搜索
6. a . Krizhevsky i Sutskever, g·e·辛顿“Imagenet分类与深卷积神经网络,”先进的神经信息处理系统麻省理工学院出版社,页1097 - 1105年,剑桥,妈,美国,2012年。视图:谷歌学术搜索
7. o . Russakovsky j .邓·h·苏et al .,“ImageNet大规模视觉识别的挑战。”国际计算机视觉杂志》上,卷115,不。3、211 - 252年,2015页。视图:出版商的网站|谷歌学术搜索
8. c . Szegedy w·刘,y贾et al .,“要更深的曲线玲珑,”《IEEE计算机视觉与模式识别会议美国,页1 - 9,波士顿,MA, 2015年6月。视图:出版商的网站|谷歌学术搜索
9. k . x张,他任美国,j .太阳,“深残余学习图像识别,”《IEEE计算机视觉与模式识别会议拉斯维加斯,页770 - 778年,NV,美国,2016年6月。视图:出版商的网站|谷歌学术搜索
10. 黄g . l . Van Der Maaten z . Liu和k·温伯格,“人口回旋的网络连接,”《IEEE计算机视觉与模式识别会议加拿大温哥华,页4700 - 4708,2017年7月。视图:出版商的网站|谷歌学术搜索
11. 沈l . j .胡,g .太阳“Squeeze-and-excitation网络”《IEEE计算机视觉与模式识别会议,页7132 - 7141,惠灵顿,新西兰,2018年6月。视图:出版商的网站|谷歌学术搜索
12. 诉Badrinarayanan, a·肯德尔和r . Cipolla”SegNet:深卷积encoder-decoder架构对于图像分割,“IEEE模式分析与机器智能,39卷,不。12日,第2495 - 2481页,2017年。视图:出版商的网站|谷歌学术搜索
13. 林g, a .米兰、c .沈和里德,“RefineNet:高分辨率多路径优化网络的语义分割,”《IEEE计算机视觉与模式识别会议加拿大温哥华,页1925 - 1934,2017年7月。视图:出版商的网站|谷歌学术搜索
14. a Chaurasia和大肠Culurciello LinkNet:为有效的语义分割,利用编码器表示”学报2017年IEEE视觉通讯和图像处理(VCIP)IEEE,页1 - 4,2017年12月美国佛罗里达州圣彼得堡。视图:出版商的网站|谷歌学术搜索
15. h .赵j·史,x, x,和j .贾“金字塔场景解析网络”《IEEE计算机视觉与模式识别会议,页2881 - 2890,盐湖城犹他,美国,2017年7月。视图:出版商的网站|谷歌学术搜索
16. x夏和b·巴巴的“W-Net:深完全无监督图像分割模型,”2017年,https://arxiv.org/abs/1711.08506。视图:谷歌学术搜索
17. z, m . m . r . Siddiquee: Tajbakhsh, j .梁,“U净+ +:一个嵌套U-Net架构用于医学图像分割”深度学习在医学图像分析和多通道学习临床决策支持页3-11 Springer,可汗,瑞士,2018。视图:谷歌学术搜索
18. 诉Iglovikov, s Mushinskiy,诉Osin”卫星图像特征检测使用深卷积神经网络:一个kaggle竞争,”2017年,https://arxiv.org/abs/1706.06169。视图:谷歌学术搜索
19. y l . c . Chen Zhu g .帕潘德里欧f·斯沃夫和h·亚当,”与深黑色的分离卷积Encoder-decoder语义图像分割,”计算机视觉的欧洲会议(大会),页801 - 818,德国慕尼黑,2018年9月。视图:谷歌学术搜索
20. n .中间人和b区格”的梯度直方图的人体检测,”《IEEE计算机学会学报计算机视觉与模式识别会议(CVPR ' 05),1卷,页886 - 893,IEEE计算机协会,圣地亚哥,美国,2005年6月。视图:出版商的网站|谷歌学术搜索
21. c·科尔特斯和诉Vapnik支持向量网络。”机器学习,20卷,不。3、273 - 297年,1995页。视图:谷歌学术搜索
22. 绝大多数识别,http://www.ecognition.com/。
23. z张、刘问:和y . Wang”道路提取残余U-Net深处,”IEEE地球科学和遥感信,15卷,不。5,749 - 753年,2018页。视图:出版商的网站|谷歌学术搜索
24. c . Sujatha和d . Selvathi连接自动提取道路中心线的基于组件技术在高分辨率的卫星图像,”EURASIP杂志在图像和视频处理,卷2015,不。1,p。8日,2015。视图:出版商的网站|谷歌学术搜索
25. e . d . f . Yu Wang Shelhamer, t·达雷尔“深层聚合”《IEEE计算机视觉与模式识别会议,页2403 - 2412,盐湖城犹他,美国,2018年6月。视图:出版商的网站|谷歌学术搜索
26. y元,j . o . Wang”对象上下文场景解析网络”,2018年,https://arxiv.org/abs/1809.00916。视图:谷歌学术搜索
27. h·张,k . Dana施j . et al .,“上下文语义分割、编码”《IEEE计算机视觉与模式识别会议长滩,页7151 - 7160年,CA,美国,2018年6月。视图:出版商的网站|谷歌学术搜索
28. d·林,y, d·里奇斯d . cohen或者黄和h“多尺度上下文交织的语义分割”欧洲计算机视觉的诉讼大会,页603 - 619年,慕尼黑,德国,2018年9月。视图:谷歌学术搜索
29. b . Zoph问:诉勒,“与强化学习神经结构搜索”,2016年,https://arxiv.org/abs/1611.01578。视图:谷歌学术搜索
30. l·c·陈,m·d·柯林斯y朱et al .,“寻找高效的多尺度结构密集图像预测,”诉讼进展的神经信息处理系统加拿大蒙特利尔,页8713 - 8724,,2018年12月。视图:谷歌学术搜索
31. m·伯曼a Rannen Triki, m . b . Blaschko”lovasz-softmax损失:驯良的代孕intersection-over-union措施优化的神经网络,”《IEEE计算机视觉与模式识别会议长滩,页4413 - 4421年,CA,美国,2018年6月。视图:出版商的网站|谷歌学术搜索
32. 数字地球技术+生动,https://dg-cms-uploads-production.s3.amazonaws.com/uploads/document/file/2/DG_Basemap_Vivid_DS_1.pdf。
33. 诉Mnih,机器学习对航拍图像标记多伦多大学,多伦多,加拿大,2013。
34. l, c, m .吴D-LinkNet,“LinkNet pretrained编码器和扩张卷积对道路提取高分辨率的卫星图像,”《IEEE CVF计算机视觉与模式识别会议/研讨会(CVPRW)美国IEEE,盐湖城犹他,2018年6月。视图:谷歌学术搜索

版权

版权©2019 Aziguli Wulamu等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。