原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
摘要
随着遥感技术的快速发展，从遥感图像中提取信息已经成为人们获取信息的重要途径之
一，道路信息作为遥感图像中最关键的地理信息，被广泛应用于城乡道路规划、地图自动更
新和智慧交通等领域，因此，将道路从遥感图像中准确、高效地分割提取出来具有非常重要
的意义。近年来，一些基于深度学习的图像语义分割模型（例如Unet、Unet++、Deeplab等）
已经被提出，并在一些场景中表现出良好的性能，然而，在处理复杂的遥感图像时，这些模
型仍然存在一些精度和性能上的问题。针对遥感道路图像语义分割中的一些挑战，本文做了
以下研究工作：
（1）针对DeepLabV3+语义分割模型结构复杂、浮点计算量大的问题，提出使用轻量级
网络——MobileNetV2作为语义分割模型的特征提取网络，可以有效降低模型的参数量和浮
点计算量，提升模型的分割效率，同时在MobileNetV2中引入了混合深度卷积，允许模型通
过不同大小的卷积核提取到更加丰富的特征信息，有利于提升模型的分割精度；
（2）针对Dropout引起的DeepLabV3+训练模型和预测模型之间不一致的问题，提出使
用R-Drop正则化方法对模型进行进一步的约束，通过对同一数据样本经过模型的两次输出
结果进行约束减少了训练模型和预测模型之间的差异，有利于提升模型的分割精度和泛化性
能；
（3）针对本文提出的优化方法，使用DeepGlobe数据集进行了相关实验，证明了其有
效性，优化后的模型分割精度更好，平均交并比提高了3.60%。此外，本文在CHN6-CUG
和Massachusetts数据集上进行了泛化实验，结果显示平均交并比分别提高了3.13%和2.63%，
充分证明了本文提出的优化方法良好的泛化性能。
关键词：语义分割，深度学习，DeepLabV3+，混合深度卷积，R-Drop
ABSTRACT
Withtherapiddevelopmentofremotesensingtechnology,extractinginformationfromremote
sensingimageshasbecomeoneoftheimportantwaysforpeopletoobtaininformation.Road
information,asthemostcriticalgeographicinformationinremotesensingimages,hasbeenwidely
usedinurbanandruralroadplanning,automaticmapupdating,andsmarttransportation.Therefore,
accuratelyandefficientlysegmentingroadsfromremotesensingimageshassignificant
implications.Inrecentyears,somedeeplearning-basedimagesemanticsegmentationmodels(such
asUnet,Unet++,andDeeplab)havebeenproposedandhaveshowngoodperformanceinsome
scenarios.However,thesemodelsstillfacesomeaccuracyandperformanceissueswhendealing
withcomplexremotesensingimages.Toaddresssomechallengesinsemanticsegmentationof
remotesensingroadimages,thisthesispresentsthefollowingresearchwork:
文档评论（0）