一种基于对象的新型深度学习框架用于高分辨率遥感数据的语义分割：与卷积神经网络和全卷积网络的比较

1：实验设计与方法选择：

本研究设计了一个基于对象的深度学习框架，将各向异性扩散预处理和额外的基于对象的损失项整合到全卷积神经网络（F-CNN）中。该框架与基于图像块的CNN（ConvNet、AlexNet、VGG-16）和基于像素的F-CNN（SegNet、U-Net、FCN-16）进行了比较。基于对象的损失函数（L2）对同一超像素内不共享主要语义标签的像素进行惩罚，并结合标准交叉熵损失（L1）进行优化。

2：样本选择与数据来源：

实验使用了公开的ISPRS WGII/4基准数据集（Vaihingen和Potsdam）。Vaihingen包含33幅图像（3个通道：红外、红、绿；地面采样距离9厘米），其中16个训练图块分为14个用于训练，2个用于验证。Potsdam包含38幅图像（4个通道：红、绿、蓝、红外；地面采样距离5厘米），其中24个训练图块分为17个用于训练，7个用于验证。类别包括不透水表面、建筑物、低植被、树木、汽车和杂乱物。

3：实验设备与材料清单：

使用GeForce GTX 1080 GPU进行训练。软件包括PyTorch深度学习框架。超像素通过各向异性形态学水平化（AML）结合Quickshift分割算法生成，并与SLIC超像素进行比较。

4：实验流程与操作步骤：

对于基于图像块的架构，随机提取29×29的图像块（每类1%）。对于基于像素的架构，提取256×256的图像块并采用重叠步长（Vaihingen为64，Potsdam为128）。应用数据归一化。训练使用随机梯度下降法并采用早停策略（耐心值为10个周期）。基于对象的框架（OB_Snet、OB_Unet、OB_FCN）使用与基于像素的对应框架相同的超参数进行训练，并为基于对象的损失添加一个权重（w1），该权重通过网格搜索确定。

5：数据分析方法：

评估指标包括总体精度、精确率、召回率、F1分数、交并比（IoU）和豪斯多夫距离（HD）。使用混淆矩阵和定性视觉评估来比较不同方法的结果。