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
- 水域分割是遥感的基本任务。
- 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。
- 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
- 提出一个新的分割网络RRF DeconvNet 网络（restricted receptive field deconvolution network）
- 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
- 改变网络结构
- 改变loss
- 设计有利评价指标
- 值得一提，采用的框架是mxnet