摘要: 随着深度学习和遥感卫星成像技术的不断发展，对遥感数据的分割效果越来越精准。然而具有高精度效果的模型往往伴随着巨大的资源效果，依赖庞大的算力和更多的内存，无法在更多的场景中使用。因此轻量化模型在近些年来不断的被关注。本文对遥感图像分... 展开 随着深度学习和遥感卫星成像技术的不断发展，对遥感数据的分割效果越来越精准。然而具有高精度效果的模型往往伴随着巨大的资源效果，依赖庞大的算力和更多的内存，无法在更多的场景中使用。因此轻量化模型在近些年来不断的被关注。本文对遥感图像分割模型的轻量化展开研究。 论文针对遥感建筑物分割需要耗费极大的内存和计算资源等问题，以村落建筑物分割和地图瓦片为切入点，以设计轻量化结构为主线，展开了相关理论技术研究。首先，分析了遥感建筑物分割的国内外现状，以及对村落建筑的特点进行描述，总结了轻量化分割网络的相关方法，以经典的轻量化分割网络，并描述了本文选取的两个数据集以及选取的原因；其次，提出一种基于沙漏状深度可分离卷积，采用通道裁剪、残差连接等多种轻量化技巧的网络SGBUnet，并提出在轻量化分割网络中，浅层结构特征更重要的观点，依据此观点对网络结构进行了再次调整，对模型精度有一定的提升；再次，提出了一个新颖的双关联自蒸馏框架，双关联自蒸馏框架能够更多地将模型的深层特征提取至浅层结构中。双关联自蒸馏框架通过构建特征图空间关联信息和通道关联信息，并将这两种关联信息从网络深层提取到浅层。将这些关联信息从深层网络结构迁移至浅层网络结构能够帮助模型在特征分布层面多的知识，从而提高学生模型的分割精度。最后，结合提出的两个方法和相关的开发技术，设计并实现了一个震后速报系统。 基于上述理论研究，通过在WHU数据集与ISPRSPotsdam数据集实验、对比实现和消融实验，轻量化模型SGBUnet实验结果显示本文设计的模型将参数量压缩至0.07M，精度仅有少量损失。而双关联自蒸馏实验结果验证了该结构对模型精度提升有一定的效果，对于两个模型在不同数据集下的MIOU指标都有一定提升，论证了方法的可行性。 收起