FullyConvolutionalNetwork-BasedEnsemble MethodforRoadExtraction FromAerialImages（读论文）

2（Y）基于全卷积网络的航空图像道路提取集成方法

摘要：
为解决航测图像中道路与背景区域不平衡的问题，本文提出了一种基于全卷积网络(FCNs)的综合策略道路提取方法。通过使用FCN，我们将道路提取视为一个语义分割问题。在网络中，由于道路和背景之间的不平衡，损失函数的权重被修改，如果道路被错误地分类为背景，将会有更大的惩罚。针对给定图像损失函数权重难以确定的问题，提出了一种基于空间一致性(SC)的集成方法。从具有不同损失函数的FCNS中获得的结果映射融合在我们提出的集成策略中，这也避免了权重的确定。利用马萨诸塞州道路数据集对该方法进行了测试，实验结果表明该方法与基于全卷积模型的方法相比是有效的

整体网络架构：

第一部分：使用FCN进行下采样，采用了VGG的架构，经过连续的卷积和池化操作，得到一系列特征图
第二部分：在初始VGG网络的常数卷积层和池化层之后使用全连接层，使用反卷积层对特征图进行上采样，将特征图恢复到其输入大小。

创新点1：修改损失函数

如上损失函数，m表示像素总数，y(i)=1代表道路，y(i)=0代表背景，y¯(i)表示由分类器计算出的像素是道路的概率，（1-y¯(i)）表示由分类器计算出的像素是背景的概率。
问题：由于道路往往比背景稀疏，通常占整个图像的比例不超过10%，这两个类之间存在严重的不平衡，为了获得较低的总损失，分类器倾向于将许多像素作为背景
解决方案：使用加权损失

设置不同权重w进行测试：

FCN-2w表示道路类的权重为2，即w的值为2。

创新点2：整体策略

问题：查看Fig2结果，会发现，不同的权重(w) FCN模型性能差异很大，道路权重越高， 分类结果的完整性越高，但是正确性可能会变差，背景可能会被识别为道路
解决：使用以下公式来融合从不同权重的FCN模型中获得的结果

其中Xiensemble表示像素i处的集合结果，Xik表示从第k个FCN模型获得的结果图中像素i处的分类结果，Wik为其对应的权重
当像素i是第k个FCN模型给出的结果图中的一条道路，当它是背景时Xik=−1，因此，如果每个结果的加权和Xiensemble大于0，则像素i将被推断为道路

创新点3：结合SC集成策略

我们肯定希望更好的SC结果(Xik)能够发挥更大的作用，那我们可以采取给它赋予更高的权重,并且希望权重(Wik)的值应该在[0,1]范围内缩放
问题：那我们如何去评估每个模型像素i评估结果（SC结果）是否好呢？
解决：提出了一种基于SC的集成策略，它鼓励空间接近的像素更有可能属于同一类
SC策略认为，属于同类的像素会挨在一起
（使用以像素i为中心的邻域区域负标准差的指数函数来评估SC），使用下面公式

其中x¯和sqrt分别表示邻域面积的均值和标准差，xp表示属于邻域的点
公式思想：当i点像素与领域点像素越像，SC越好，(x¯-xp)2越小，标准差(sqrt)越小，权重（wik）越大，则wik×xik这个i点贡献就越大