精准识别与划定可能受到洪水影响的地区对于规划与实施防洪措施十分重要。针对洪水区域识别过程中易受到地形、气候、光照以及数据不平衡等因素影响的问题,提出一种基于改进UNet++的洪水区域图像分割算法。该算法以UNet++分割网络为基...精准识别与划定可能受到洪水影响的地区对于规划与实施防洪措施十分重要。针对洪水区域识别过程中易受到地形、气候、光照以及数据不平衡等因素影响的问题,提出一种基于改进UNet++的洪水区域图像分割算法。该算法以UNet++分割网络为基础框架,在每层解码器的第一个卷积单元后嵌入空洞空间金字塔池化以得到新的解码特征;同时通过密集连接和跳跃连接将不同解码路径的特征融合,采用Lovasz Hinge Loss损失函数来获取全局最优并采用数据增强的方式对原有数据进行扩充。实验结果表明,该算法在Flood Area Segmentation数据集上的IOU值达到80.53%,与目前流行的图像分割算法DeepLabv3、UNet、FCN(Res18)、PspNet、FCN(Res50)、UNet++相比,依次高出7.41、6.21、3.81、3.70、1.92、1.82个百分点。该算法具有较高的分割精度和良好的稳定性,整体性能优异,为实际防洪监测提供了技术支撑。展开更多
文摘精准识别与划定可能受到洪水影响的地区对于规划与实施防洪措施十分重要。针对洪水区域识别过程中易受到地形、气候、光照以及数据不平衡等因素影响的问题,提出一种基于改进UNet++的洪水区域图像分割算法。该算法以UNet++分割网络为基础框架,在每层解码器的第一个卷积单元后嵌入空洞空间金字塔池化以得到新的解码特征;同时通过密集连接和跳跃连接将不同解码路径的特征融合,采用Lovasz Hinge Loss损失函数来获取全局最优并采用数据增强的方式对原有数据进行扩充。实验结果表明,该算法在Flood Area Segmentation数据集上的IOU值达到80.53%,与目前流行的图像分割算法DeepLabv3、UNet、FCN(Res18)、PspNet、FCN(Res50)、UNet++相比,依次高出7.41、6.21、3.81、3.70、1.92、1.82个百分点。该算法具有较高的分割精度和良好的稳定性,整体性能优异,为实际防洪监测提供了技术支撑。
