Note_Automatic Water-Body Segmentation From High-Resolution Satellite Images via Deep Networks

基本信息

二区文章，水域分割

Automatic Water-Body Segmentation From High-Resolution Satellite Images via Deep Networks

笔记

出发点

1. 水域分割是遥感的基本任务。
2. 传统的方法依赖光谱，只能处理分辨率低图像。而分辨率强的图片，包含更多细节。
3. 不同数据传感器获得数据，方法的鲁棒性得到考验。

主要的创新点

1. 提出一个新的分割网络RRF DeconvNet 网络（restricted receptive field deconvolution network）
2. 认为通常loss，也就是L2距离或者说是欧拉距离，不能很好的突出分割中边界的作用，所以，使用了EWLoss，就是高斯加权的欧拉距离。

详细说明

网络结构信息和网络配置。

可以看出，主要的改动是在网络结构上，以及大量使用空洞卷积去代替普通卷积来获得更大的感受野。

使用高斯加权距离作为代价函数，主要的特点想法是突出边际，越靠近分割边界，获得加权越大。

实验

数据是从google earth 上面提取的，0.5M，大小是512*512，主要是四川，武汉地区，总共九千张图片，7:2:1=train:validation:test

主要是六个实验，（两类loss 函数，三个网络）

评价指标也是两个，一个是overrall pixels，一个是Edge pixels。前者是常规的的

\[OP= \frac{TP+TN}{TP+TN+FP+FN}\]

后面一个不是很清晰，大概的描述是这样(具有与边界最大5个棋盘距离的像素被认为是边缘像素)：

 the pixels who have a maximum 5 chessboard distance to boundaries are considered as edge pixels

看结果，好像评价函数对结果的影响不大，或者说，基本没什么影响。OP是主流的评价指标，为什么提升不明显，很显然，由于图片的像素太多，边界部分像素点太少，有点样本不平衡的原因，所以就算有所提升，也不会有很明显的变化。所以引入新的评价变量，评价loss的目的是达到了，确实可以让边缘更加准确清晰。

总结

1. 改变网络结构
2. 改变loss
3. 设计有利评价指标
4. 值得一提，采用的框架是mxnet

原文地址：https://www.cnblogs.com/blog4ljy/p/8955025.html