隨著人工智能技術(shù)的成熟，圖像語義分割方法迎來了飛速發(fā)展的機(jī)會(huì)。語義分割是一種像素級(jí)的預(yù)測(cè)任務(wù)，基于全卷積神經(jīng)網(wǎng)絡(luò)（FCN）的分割方法，為了獲得較高的分割精度，需耗費(fèi)大量的計(jì)算資源。然而隨著自動(dòng)駕駛和移動(dòng)終端需求的日益增長(zhǎng)，在分割精度和分割速度之間進(jìn)行平衡顯得尤為重要，如何在計(jì)算力有限的設(shè)備上應(yīng)用語義分割技術(shù)、減少計(jì)算量、提高運(yùn)行速度更是成為當(dāng)前研究的熱點(diǎn)。鑒于此，本書以遙感領(lǐng)域作為應(yīng)用場(chǎng)景，從視覺注意力機(jī)制和特征融合的角度，探索輕量級(jí)實(shí)時(shí)語義分割模型算法，在兼顧精度與速度的同時(shí)，實(shí)現(xiàn)快速準(zhǔn)確的語義分割。本書主要研究?jī)?nèi)容如下。
，對(duì)目前表現(xiàn)突出的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行梳理。首先，分析卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)結(jié)構(gòu)及訓(xùn)練過程，闡述經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)分類模型；其次，剖析語義分割算法中常見的分割網(wǎng)絡(luò)結(jié)構(gòu)特性，包括對(duì)稱的編碼 -解碼結(jié)構(gòu)，使用空洞卷積、深度可分離卷積、空洞空間金字塔池化（ASPP）等的擴(kuò)張卷積核，輕量級(jí)語義分割法等，確立本書網(wǎng)絡(luò)模型的設(shè)計(jì)思路，即采用編碼 -解碼結(jié)構(gòu)，基于輕量級(jí)語義分割網(wǎng)絡(luò)（ENet）來設(shè)計(jì)網(wǎng)絡(luò)架構(gòu)。
第二，針對(duì)高分辨率遙感圖像分割速度較慢，提出一種改進(jìn) ENet的實(shí)時(shí)語義分割模型 SE-ENet。該模型適當(dāng)剪枝壓縮 ENet網(wǎng)絡(luò)結(jié)構(gòu)，修改ENet網(wǎng)絡(luò)中的瓶頸結(jié)構(gòu)（Bottleneck）模塊，下采樣階段交叉使用多種卷積核，實(shí)現(xiàn)各模塊的輕量化，具備參數(shù)少、計(jì)算量低的特點(diǎn)，可實(shí)現(xiàn)快速圖像分析處理；而融合至模型中的注意力機(jī)制，通過壓縮和激勵(lì)操作來重新標(biāo)定特征通道的權(quán)重，增強(qiáng)有益特征權(quán)重，深度有序挖掘遙感數(shù)據(jù)集中的圖像特征，保證語義分割的準(zhǔn)確性。通過對(duì) 3種不同數(shù)據(jù)集的仿真分析表明，基于 ENet和注意力機(jī)制的語義分割網(wǎng)絡(luò)模型能夠較快地實(shí)現(xiàn)圖像語義分割效果。
第三，構(gòu)建高分辨率遙感圖像語義分割數(shù)據(jù)集，對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理、數(shù)據(jù)增強(qiáng)后，數(shù)據(jù)集擴(kuò)充至 10萬余張圖像，為相關(guān)實(shí)驗(yàn)的訓(xùn)練與評(píng)估研究提供數(shù)據(jù)支撐。
第四，基于特征融合策略對(duì) SE-ENet模型進(jìn)一步優(yōu)化，將下采樣模
塊間的特征圖密集連接，生成優(yōu)化后的網(wǎng)絡(luò)模型 EFSE-ENet，通過融合
淺層和高層的表征信息以獲得準(zhǔn)確精細(xì)的分割結(jié)果；實(shí)驗(yàn)時(shí)適當(dāng)修改損失
函數(shù)，增加小類別樣本權(quán)重，調(diào)整學(xué)習(xí)率衰減方式以提升實(shí)驗(yàn)效果，并在
DeepGlobe Road Extraction大型數(shù)據(jù)集上進(jìn)一步驗(yàn)證模型的泛化能力，證
明了其在保持一定精度的條件下可以達(dá)到實(shí)時(shí)分割的效果，兼具高效性。
在本書撰寫過程中，晉中學(xué)院計(jì)算機(jī)與信息工程系的領(lǐng)導(dǎo)和老師們給
予了大力支持和幫助，在此表示衷心感謝！