ME-Net: A Deep Convolutional Neural Network for Extracting
Mangrove Using Sentinel-2A Data在2021年发表于remote sensing期刊
论文网址：添加链接描述
简介：本论文提出了一种基于深度学习的像素分类模型（ME-Net）。该模型中的三个模块旨在提高模型性能。设计了一个多尺度上下文嵌入模块来提取多尺度上下文信息。全局关注模块恢复位置信息，边界拟合单元优化特征图的边界。最终在遥感图像红树林的提取上取得了比先前方法更高的准确率。
研究背景：红树林是一种耐盐的常绿木本植物，分布在热带和亚热带地区的潮间带。红树林为海洋和远洋物种提供了繁殖和护理场所，在防风、海岸稳定、固碳和其他一些应用中发挥着重要作用。在过去的50-60年里，由于农业土地开垦、城市发展、工业化和水产养殖，中国的红树林从1950年的420平方公里减少到2000年的220平方公里。随着中国政府对环境保护的不断重视，确定红树林分布范围的变化，为红树林规划提供分布数据至关重要。然而，为广泛的实地测量和取样获得红树林分布数据是困难的，因为红树林密度大，位于潮间带，经常被周期性的海水淹没。随着遥感技术的快速发展，遥感影像已广泛应用于环境保护，并为红树林提取提供了可能。
现有红树林提取方法存在的问题：传统的人工提取方法，如目视解译，主要利用研究人员的遥感专业知识和经验，根据红树林的图像特征进行识别。该方法精度高，但费时费力；它还包含许多运算符错误。近年来，研究者提出了各种各样的红树林提取方法，根据基本分类单元的类型可以分为基于像素的分类方法和面向对象的分类方法。然而，基于像素分类的方法只能获得不同波段像素的光谱特征，不能利用纹理信息。“椒盐噪声”很容易产生。目前流行面向对象的方法结合同质和相邻像素，将图像分割成许多差异较大的对象；对象被视为分类的基本单位。该方法不仅可以利用红树林的光谱特征，还可以考虑红树林斑块的形状、纹理和结构；它可以减少同类的干扰，避免“椒盐噪声”的产生。然而，这种方法存在一些缺点，即分类对象分割不合理，智能性不足。
解决办法：论文采用深度学习语义分割的方法来对红树林进行提取，设计了一个多尺度上下文嵌入模块来提取多尺度上下文信息、全局关注模块恢复位置信息、边界拟合单元来优化特征图的边界。最终解决红树林提取中的问题，包括红树林分布的边界、一些"椒盐噪声"，以及更高级的特征图信息提取。
研究区域：
究区位于海南岛东北部，包括东寨港国家级自然保护区(DNNR)及其周边约5公里的区域(。DNNR是中国第一个红树林国家级自然保护区。东寨港红树林是中国最大的沿海滩涂森林，全长28公里。它是保存最完好、最集中、最连续、最成熟的红树林。DNNR是所有红树林类型中资源最丰富的区域。它是由中国南方主要红树林物种组成的典型红树林湿地，正在成为红树林分类研究的主要领域。DNNR共有红树林5科8属。这些红树林包含11种，包括木榄、木榄、木榄、木榄、木榄、凤仙花、秋茄、红海榄、无瓣海桑、柱状海桑、桐花树、老鼠簕和三叶鱼藤。上图显示一些红树林位于潮间带湿地，如河口、海岸和岛屿。因此，水和植被特征的融合对于区分陆地植被和红树林植被具有重要的指导意义。
网络结构：
我们模型设计的架构命名为ME-Net。受像素分类中全卷积网络(FCN)结构性能的启发，ME-Net设计为两部分。第一部分使用ResNet-101提取特征，其内核是算术平均；第二部分旨在提取不同阶段的多尺度信息和上下文信息，并生成二元分类图，以获得良好的红树林提取性能。
GAM详细介绍：
GAM执行GAP来提供全局上下文信息，以便在低级特征图中进行指导。全局上下文信息为低阶段地图中的特征地图提供了强位置一致性约束，以校正特征位置的偏移和错位。该结构集成了来自高级特征图的位置一致性指导信息和来自低级特征图的详细信息。GAM有两个分支，即全局注意力信息加权分支和上采样分支。
MCE模块详细介绍：
受Google net中的初始架构和DeepLab 中的空间金字塔池(ASPP)模块的启发，我们提出了一个MCE模块。该模块通过四个不同大小的卷积核提取多尺度上下文信息，并压缩通道数以减少计算量。所设计的多属性进化算法将上下文信息的特征映射与GAM中高级特征映射的全局信息相结合。
BFU模块详细介绍：
BFU模块受美国有线电视新闻网掩模区域的启发，设计了两个连续的3×3卷积核来校正特征的边界位置。一方面，BFU消除了由不同阶段的特征图的上下文嵌入引起的“网格伪影”。另一方面，BFU解决了卷积和池运算引起的混叠效应。此外，在边界修改后，增加了一个跳过的连接来监督特征图的语义。这种方法加快了网络中的信息流，优化了边界拟合的性能。
实验结果：
消融实验：
不同光谱实验结果：
结论：我们提出了GAM来提供全局上下文信息以指导低级特征映射，并提出了MCE模块来提取多尺度信息。应用BFU优化分类结果。在数据预处理中，使用多波段遥感图像和人工创建的多光谱指数来提高红树林像素分类的性能。在多幅遥感影像上的实验结果表明，ME-Net模型能够有效整合大量样本数据，有效解决数据冗余问题，挖掘遥感影像中抽象的语义信息和位置信息。该方法可以成功地提取每个场景中的红树林。结果表明，该框架在提高不同海岸带红树林分类性能方面是有效可行的。
未来与展望：未来的工作将集中在以下几个方面:应该通过残差模块和卷积来实现端到端的像素分类模型，以在一定程度上在边界拟合任务中获得更好的结果，而不是密集的CRF，并开发一个简单的模型训练过程。然而，这种模型与密集的通用报告格式相比存在一些缺点；也就是说，它不能有效地组合类似于密集CRF的输入数据，以获得具有相似颜色和相邻位置的像素，用于更一致的分类。此外，在下一步工作中，空间计算强度网格被用来提高ME-Net的并行性能。地球物理环境对红树林区的分布有着极其重要的影响，尤其是一些自然生长的红树林区。红树林湿地位于潮间带，与水体特征密切相关。因此，在未来的研究中，我们将考虑使用不同时间序列的遥感图像来提取天然红树林区域。此外，智能系统表明，正确的波段和指数对于绘制红树林图很重要。接下来，我们将研究如何使用知识图方法来找到正确的波段和指数。