标签：Deeplab segmentation dense network fusion images

Robust semantic segmentation by dense fusion network on blurred vhr remote sensing images

说明se的设计还是很有用的

Abstract: By proposing a cascaded dense encoder-decoder network and the selayer based fusion and assembling techniques.

1.Introduction

Modified hourglasses network

Deeplab v2 and v3

实际上，遥感影像很容易被camera shakes or nosie pollution污染。

最近，一些研究人员[6]报道了使用高度信息（DSM）可以显着改善分类结果。然而，在缺陷图像的鲁棒性方面，在语义分割的背景下尚未充分研究多种模态和光谱的融合。

 Lveraging dense block and designing a new hourglass convolutional network to obtain pixel-acuurate segmentation of defective images.

Contributions:

1).它设计了一种新的神经网络，用于鲁棒语义分割，利用级联密集块聚合多模态信道中的上下文信息，并使用新颖的Up块消除上采样过程中的噪声。

2).它开发了SEMix模型，以更好地融合DSM和光谱图像。

3). 引入了一系列SConv块来学习每个类别的动态权重，从而提高不平衡类别的性能。

2. Methodology

RobustDensenet :

UP block

2.1 SEMix

2.2 Sconv

Sconv与类别数目保持一致。

We use cross entropy as loss function for robustdensenet

3. Experiments and analysis

Potsdam dataset

实验结果列于表1中。随着模糊或损坏像素的面积增加（从无到50％），所提出的RobustDenseNet在整体精度和F1指标上都取得了稳定的表现。总体准确率从90.3略微下降到89.8，这可能是由于Car级（从94.7到94.0）和Imp-suf级（从92.7到91.8）的下降。相反，Deeplab v3 +，即使是语义分割的最新模型，也在稳健性测试中失败了。其平均F1得分从88.6降至86.2，总体准确率下降了2.4％。图8显示了整体精度和F1度量的变化趋势，因为像素模糊或损坏的面积增加。据观察，RobustDenseNet的降低速度比Deeplab V3 +慢。

和目前精度最高的算法比鲁棒性也没有什么问题

 

 

 

 

标签：Deeplab,segmentation,dense,network,fusion,images
来源： https://blog.csdn.net/u012193416/article/details/88584951

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。