深度学习网络学习记录 SRI-Net、改进Unet

一、SRI-Net（2019）

 修改后的ResNet-101编码器生成多级特征F2、F3、F4，F2、F3和F4的空间分辨率分别为输入大小的1/4、1/8和1/16，解码器使用空间残差起始（SRI）模块来捕获和聚合多尺度信息，然后通过融合多层次语义特征来逐步恢复对象细节。

精度：

二、 改进Unet

基于改进U-Net模型的无人机影像建筑物提取研究.ashx (wanfangdata.com.cn)

下采样 过程包括两个 3×3 的卷积层和一个 2×2 的最大池化层，激活函数 ReLU 保持不变每次 下采样操作都使图像尺寸大小减半，通道数加倍；在网络解码部分，每次上采样过程包括 两个 3×3 的卷积层，激活函数 ReLU 保持不变，每次上采样操作都使图像尺寸大小加倍， 通道数减半。在编码器和解码器之间用一个空洞卷积 DCM 代替传统 U-Net 网络中的底部 卷积层，针对建筑物特点，在单个空洞卷积后添加 1×1 卷积，可以在不破坏特征尺度的基 础上引入非线性因素，提高网络对复杂特征的表达能力，分别采用空洞率为 1、3、5 的空 洞卷积以串并联结合方式进行特征融合，以获取多个尺度的上下文信息。

空洞卷积模块、正则化方法和 scSE 注意力模块都对网络精度提升 做出了贡献，其中空洞卷积和正则化方法使 U-Net 经典网络总体精度提高 2.2%，F1-Score 提高 0.9%，交并比提高 1.9%，但 Kappa 系数有 0.3%的轻微下降；scSE 注意力模块使 UNet 经典网络总体精度提高 2.9%，F1-Score 提高 0.4%，交并比提高 2.1%，Kappa 系数提高 2.8%，加入全部建筑物提取策略的总体精度提高 3.6%，F1-Srore 提高 2.8%，交并比提高 2.9%，Kappa 系数提高 2.9%，