迁移学习下高分快视数据道路快速提取
目的 传统的道路提取方法自动化程度不高,无法满足快速获取道路信息的需求.使用深度学习的道路提取方法多关注精度的提升,网络冗余度较高.而迁移学习通过将知识从源领域迁移到目标领域,可以快速完成目标学习任务.因此,本文利用高分辨率卫星快视数据快速获取的特性,构建了一种基于迁移学习的道路快速提取深度神经网络.方法 采用基于预训练网络的迁移学习方法,可以将本文整个道路提取过程分为两个阶段:首先在开源大型数据库ImageNet上训练源网络,保存此阶段最优模型;第2阶段迁移预训练保存的模型至目标网络,利用预训练保存的权重参数指导目标网络继续训练,此时快视数据作为输入,只做目标任务的定向微调,从而加速网络训练.总体来说,前期预训练是一个抽取通用特征参数的过程,目标训练是针对道路提取任务特化的过程.结果 本文构建的基于迁移学习的快速道路提取网络,迁移预训练模型与不迁移相比验证精度提升6.0%,单幅尺寸为256×256像素的数据测试时间减少49.4%.快视数据测试集平均精度可达88.3%.截取一轨中7 304×6 980像素位于天津滨海新区的快视数据,可在54 s内完成道路提取.与其他迁移模型对比,本文方法在快速预测道路的同时且能达到较高的准确率.结论 实验结果表明,本文针对高分卫星快视数据,提出的利用预训练模型初始化网络能有效利用权重参数,使模型趋于轻量化,使得精度提升的同时也加快了提取速度,能够实现道路信息快速精准获取.
高分辨率卫星、快视数据、道路快速提取、迁移学习、微调
25
TP751.1(遥感技术)
中国科学院战略性先导科技专项A类地球大数据科学工程子课题项目:;CASEarth小卫星产品服务研究;中国科学院遥感与数字地球研究所集成课题项目
2020-08-13(万方平台首次上网日期,不代表论文的发表时间)
共12页
1501-1512