【摘要】 傳統(tǒng)基于高分辨率遙感圖像的道路提取方法計(jì)算復(fù)雜度高，難以實(shí)現(xiàn)自動(dòng)化，基于深度學(xué)習(xí)的方法可以顯著提高提取的精度和效率。本文選取CVPR 2018 Deep Globe數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)集，基于Tensorflow框架的Adam優(yōu)化算法，采用ResNet模型對(duì)孟加拉國(guó)沿海區(qū)域進(jìn)行了道路識(shí)別和提取。經(jīng)與人工目視解譯數(shù)據(jù)集驗(yàn)證，得到道路提取總體精度為97.85%，驗(yàn)證了方法的有效性。

 

　　【關(guān)鍵詞】 深度卷積神經(jīng)網(wǎng)絡(luò);道路提取 ResNet 網(wǎng)絡(luò)結(jié)構(gòu) Adam優(yōu)化算法

　　引言：

　　隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，在一些復(fù)雜的大樣本背景下，神經(jīng)網(wǎng)絡(luò)顯示出其獨(dú)特的優(yōu)勢(shì)。如何利用卷積神經(jīng)網(wǎng)絡(luò)來(lái)解決遙感圖像目標(biāo)識(shí)別和地物提取等領(lǐng)域的熱點(diǎn)問(wèn)題，引起了廣泛關(guān)注。

　　魏清等人[1]提出了一種結(jié)合神經(jīng)網(wǎng)絡(luò)模型和數(shù)學(xué)形態(tài)學(xué)算法的高分辨率遙感影像道路自動(dòng)提取方法，能夠有效地自動(dòng)識(shí)別道路區(qū)域。郭正勝等人[2]提出一種基于U型卷積網(wǎng)絡(luò)的ZY-3道路提取方法，使用形態(tài)學(xué)開運(yùn)算完成孔洞的去除等工作使提取結(jié)果在不同實(shí)驗(yàn)區(qū)域中平均準(zhǔn)確度達(dá)到了95%以上。戴激光等人[3]提出一種基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的高分辨率遙感圖像道路提取方法，與傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)和U-Net網(wǎng)絡(luò)相比，該方法在準(zhǔn)確度和精確度上均具有較大優(yōu)勢(shì)。Fran?ois Waldner等[4]提出了一種數(shù)據(jù)驅(qū)動(dòng)、魯棒性強(qiáng)、通用性強(qiáng)的衛(wèi)星圖像場(chǎng)邊界提取方法，使用具有完全連接的U-Net骨干的深度卷積神經(jīng)網(wǎng)絡(luò)，能夠從圖像中學(xué)習(xí)復(fù)雜的層次上下文特征以準(zhǔn)確地檢測(cè)場(chǎng)邊界和丟棄不相關(guān)的邊界，優(yōu)于傳統(tǒng)的邊緣濾波器。宋延強(qiáng)等人[5]提出一種在 SegNet 架構(gòu)的基礎(chǔ)上改進(jìn)的網(wǎng)絡(luò)模型 AA-SegNet，增加了增強(qiáng)的空間金字塔池化模塊和空間注意力融合模塊，能夠更好的學(xué)習(xí)小目標(biāo)特征，總體識(shí)別準(zhǔn)確率達(dá) 96.61%。Faster R-CNN 利用RPN 網(wǎng)絡(luò)提取待選區(qū)域，并將 RPN 和 Faster R-CNN 結(jié)合成一個(gè)網(wǎng)絡(luò)共享卷積特征，實(shí)現(xiàn)真正意義上的端到端訓(xùn)練，RPN是一個(gè)全卷積網(wǎng)絡(luò)，通過(guò)在特征圖上做窗口滑動(dòng)，將錨點(diǎn)框(anchor) 映射到原始圖像，并獲得不同大小和比例的候選區(qū)域[6]。為彌補(bǔ)Faster R-CNN 對(duì)被遮擋目標(biāo)和弱小目標(biāo)不敏感的缺陷，張慶輝等人[7]構(gòu)建了一個(gè)快速、精確道路目標(biāo)檢測(cè)算法(FAROD)，獲得了更快的檢測(cè)速度和更高的魯棒性。

　　綜上，基于深度卷積神經(jīng)網(wǎng)絡(luò)的高分辨率遙感圖像的道路提取雖取得較好的發(fā)展，但仍需進(jìn)行深入研究。本文將ResNet模型與Adam優(yōu)化算法相結(jié)合，可提高道路檢測(cè)的魯棒性，優(yōu)化道路提取網(wǎng)絡(luò)模型的性能。

　　一、研究方法

　　本文以高分辨率遙感圖像作為研究對(duì)象，將衛(wèi)星圖像的每個(gè)像素標(biāo)記為道路或非道路，既將像素通過(guò)二值語(yǔ)義分割的方式來(lái)標(biāo)記為道路。本文將基于深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)結(jié)構(gòu)中的ResNet網(wǎng)絡(luò)模型提取高分辨率遙感圖像深度特征。選擇道路為提取目標(biāo)，以 ResNet 模型為基礎(chǔ)，采用一種針對(duì)高分辨率衛(wèi)星圖像道路提取的網(wǎng)絡(luò)模型算法Adam優(yōu)化算法，該方法將提高模型的學(xué)習(xí)效率。同時(shí)避免丟失更多的細(xì)節(jié)特征，為提高道路提取的準(zhǔn)確性提供參考。

　　1.1 Adam優(yōu)化學(xué)習(xí)算法

　　Adam 算法和傳統(tǒng)的隨機(jī)梯度下降不同。隨機(jī)梯度下降保持單一的學(xué)習(xí)率更新所有的權(quán)重，學(xué)習(xí)率在訓(xùn)練過(guò)程中并不會(huì)改變。均方根傳播(RMSProp)優(yōu)化算法將微分平方加權(quán)平均算法引入其中，在參數(shù)空間的更平緩的方向上，將會(huì)取得更大的進(jìn)步(因?yàn)樵撈骄彛瑲v史梯度的平方和更小，并且相應(yīng)的學(xué)習(xí)下降幅度更小)，并且能夠使得陡峭的方向變得平緩，即收斂能在水平方向上采取更大的步長(zhǎng)，從而加快訓(xùn)練速度。Adam既能像Momentum系列算法那樣優(yōu)化更新方向，也能像AdaGrad系列算法那樣調(diào)整學(xué)習(xí)效率。其公式如下：

　　其中， 為梯度; 、為累計(jì)梯度， 為學(xué)習(xí)率，參數(shù) 、∈ [0， 1) 控制了這些移動(dòng)均值(moving average)指數(shù)衰減率。Adam 優(yōu)化算法是將動(dòng)量法和 RMSprop優(yōu)化算法結(jié)合起來(lái)使用的一種算法，它能夠同時(shí)使用梯度和梯度平方的指數(shù)加權(quán)平均。該方法能夠通過(guò)快速收斂網(wǎng)絡(luò)得到最優(yōu)解，具有較好的穩(wěn)定性。

　　Adam算法的精度和收斂速度在上述算法中相對(duì)較好，故采用Adam 優(yōu)化算法進(jìn)行實(shí)驗(yàn)，將參數(shù)設(shè)定為：學(xué)習(xí)率為0.001、beta1=0.9和beta2=0.999 。其中beta1為一階矩估計(jì)的指數(shù)衰減率，beta2為二階矩估計(jì)的指數(shù)衰減率。

　　1.2 ResNet網(wǎng)絡(luò)模型

　　傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)在一定程度上會(huì)隨著深度的增加而提高識(shí)別、提取精度，但是達(dá)到一定的深度時(shí)，梯度消失問(wèn)題將越來(lái)越嚴(yán)重，容易出現(xiàn)過(guò)度擬合問(wèn)題，就是所謂的“退化”問(wèn)題，使得模型效果變差。針對(duì)這一問(wèn)題，本文采用深度殘差網(wǎng)絡(luò)(Deep Residual Network)。該網(wǎng)絡(luò)模型通過(guò)利用殘差學(xué)習(xí)單元，可以達(dá)到比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)更深的深度，具有很好的網(wǎng)絡(luò)特征提取效果。

　　1.3 數(shù)據(jù)集的選取

　　本文選定Deep Globe的數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)集，其圖像分辨率為1024×1024，它包含訓(xùn)練數(shù)據(jù)集、測(cè)試數(shù)據(jù)集兩部分，其中訓(xùn)練數(shù)據(jù)集包含6226幅圖像，測(cè)試數(shù)據(jù)集包含201幅圖像，圖片來(lái)自泰國(guó)、印度、印尼等多個(gè)國(guó)家。圖像場(chǎng)景包括城市、村莊、郊區(qū)、海灘、熱帶雨林等場(chǎng)景。訓(xùn)練數(shù)據(jù)集樣本量大，包含沙漠、城市、農(nóng)田、村莊等多種地物信息，使得訓(xùn)練后的網(wǎng)絡(luò)模型具有較強(qiáng)的魯棒性和預(yù)測(cè)性，且與孟加拉國(guó)局部區(qū)域具有相似性。

　　二、實(shí)驗(yàn)結(jié)果與分析

　　在進(jìn)行神經(jīng)網(wǎng)絡(luò)提取時(shí)，需要采用一些指標(biāo)來(lái)衡量訓(xùn)練的網(wǎng)絡(luò)模型，常用的評(píng)價(jià)形式有混淆矩陣，準(zhǔn)確率等。混淆矩陣主要用于將分類結(jié)果與實(shí)際測(cè)量值進(jìn)行比較。分類結(jié)果的準(zhǔn)確性可以在混淆矩陣中顯示。準(zhǔn)確率(Accuracy)：預(yù)測(cè)正確的所有樣本占所有測(cè)試樣本的比例。