DeepLabV3+实现sar影像海面溢油区识别

今天我们分享DeepLabV3+的sai影像水体提取。

数据集

本次使用的数据集是Deep-SAR Oil Spill (SOS) dataset。该数据集由中国地质大学的朱祺琪团队制作并共享。该数据集包含墨西哥湾溢油区域和波斯湾溢油区域，分别获取于ALOS 和Sentinel-1A卫星。由ECHO研究组搜集制作，是溢油与非溢油的像素级数据集。其中来自墨西哥溢油区域的 3101 张样本用于模型训练，776 张样本用于测试。 来自波斯湾溢油区域的3354 张样本用于训练，839 张样本用于测试。 本次我们选取的是波斯湾溢油区的数据，并将训练数据按7：3划分为训练集与验证集。（sar影像为单通道，输入模型时按三通道读取）

模型

此次我们使用的模型为deeplabv3+。Deeplabv3+是深度学习领域的一个语义分割模型，由Google的研究人员提出。它是在Deeplabv3的基础上进行改进和扩展的，通过添加一个简单的解码器模块来特别改善物体边界的分割结果。 Deeplabv3+模型的整体架构包括Encoder和Decoder两个部分。Encoder部分采用了带有空洞卷积的DCNN，并采用了空洞空间金字塔池化模块（ASPP）来引入多尺度信息。相比Deeplabv3，Deeplabv3+还引入了Decoder模块，将底层特征与高层特征进一步融合，提升分割边界准确度。 在具体的技术实现上，Deeplabv3+采用了深度可分离卷积，这是一种更快速和更强大的编码器-解码器网络。深度可分离卷积将卷积操作分为两个独立的步骤：首先是逐个输入通道进行卷积操作，然后再将卷积结果合并。这种技术可以有效地减少计算量和参数数量，提高模型的效率和性能。

模型参数量

训练结果

结果展示

总结

本期的分享就到这里，感兴趣的点点关注。如需要获取完整代码，训练结果等文章内所有内容，可加入我们星球，星球会持续更新相关的数据集与完整代码。 加入前不要忘了领取优惠券哦！

「参考资料」

• Q. Zhu, Y. Zhang, L. Wang, et. al., "A Global Context-aware and Batch-independent Network for road extraction from VHR satellite imagery," ISPRS Journal of Photogrammetry and Remote Sensing,2021,175:353-365.DOI:10.1016/j.isprsjprs.2021.03.016.

本文由 mdnice 多平台发布