改进SegNet与迁移学习的遥感建筑物分割方法

针对传统SegNet应用于遥感影像建筑物分割出现分割不连续的问题，该文提出了一种改进的SegNet模型，并引入迁移学习方法，以提高遥感影像建筑物分割精度。以SegNet为基础，加入能够提取多尺度特征的改进空洞空间卷积池化金字塔模块，并引入跳层连接使分割结果更为精细。选取了FCN、SegNet、载入ImageNet预训练权重参数的SegNet作为对比算法，对遥感建筑物分割数据集Inria Aerial Image Labeling Dataset进行训练和测试。实验结果表明，在有限的迭代次数及实验区域内，该文算法拥有更好的分割效果和更强的泛化能力。