在遥感影像道路提取研究中,卷积神经网络凭借其高效、智能、精准的分割能力成为热点方法之一。对于不同分辨率是否会影响网络对影像中道路区域定位和提取的问题,首先通过改变马萨诸塞州道路数据集分辨率方式,分析分辨率变化对道路提取结果的影响;然后,设计并使用了一种更低成本的多分辨率融合器(Multi-resolution Fusion Model,MFM),替代原DeepLabV3+网络中的空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)结构,实现网络对多分辨率特征信息的利用。实验结果表明,MFM-DeepLabV3+在mIoU和F1分数对比原DeepLabV3+提取结果均有一定程度的优化效果,且MFM参数量仅为原ASPP模块的0.1%,同时对训练的收敛效果也有一定程度改善。可以为道路提取中数据集分辨率对实验结果的影响等研究提供思路,并为网络中多分辨率特征融合提供一定的方法和实践基础。
