研究目的
为开发一种增强的深度学习框架，用于从甚高分辨率遥感图像中精确提取水体，解决边界模糊和噪声等挑战。
研究成果
提出的深度U-Net-CRF-RR方法能有效从高分辨率遥感影像中提取水体，降低噪声并保持边界，在定量和定性评估上均优于现有方法，对水资源管理实际应用具有前景。
研究不足
该方法需要大量训练数据和计算资源；它可能对条件随机场（CRF）和循环回归（RR）中的参数设置敏感，且性能取决于真实标签的质量，而这些标签可能存在不准确之处。
1：实验设计与方法选择：
该方法采用改进的深度U-Net架构进行初始分类，随后通过全连接条件随机?。‵CCRF）模型进行优化，并利用超像素区域限制（RR）增强一致性。采用平均场推理实现高效计算。
2：样本选择与数据来源：
数据来自高分二号（GF-2）和WorldView-2（WV-2）卫星，覆盖中国柳州的湖泊、河流及池塘。图像为近红外波段，空间分辨率分别为0.8米和0.5米，经正射校正并由中国国家地理普查标注。
3：8米和5米，经正射校正并由中国国家地理普查标注。 实验设备与材料清单：
3. 实验设备与材料清单：配置英特尔至强E5-2687W 3.00GHz CPU、32GB内存及NVIDIA GRID M60-8Q（8GB）GPU的计算机。软件：基于TensorFlow后端的Keras库。
4：00GHz CPU、32GB内存及NVIDIA GRID M60-8Q（8GB）GPU的计算机。软件：
4. 实验流程与操作步骤：通过减去均值预处理图像，分割为2048×2048像素块，应用数据增强（旋转、翻转）。使用二元交叉熵损失和Adam优化器训练深度U-Net。采用高斯核函数构建FCCRF成对势能，并通过超像素区域限制进行校正。执行平均场推理完成最终分割。
5：实验流程与操作步骤：
5. 数据分析方法：基于混淆矩阵指标评估：虚警率（PFA）、漏检率（PMD）、Kappa系数（KC）及正确分类百分比（PCC）。与基于CV、MRF的方法，以及SegNet和DeepWaterMap-3进行对比。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
GPU
GRID M60-8Q
NVIDIA
Used for accelerating deep learning computations
-
GaoFen-2 satellite
GF-2
China
Provides high-resolution remote sensing imagery for water body extraction experiments
-
WorldView-2 satellite
WV-2
DigitalGlobe
Provides high-resolution remote sensing imagery for water body extraction experiments
-
CPU
Xeon E5-2687W
Intel
Used for computational processing in the experiments
-
RAM
Provides memory for computational tasks
-
登录查看剩余3件设备及参数对照表
查看全部
