1、“.....再次对图像细分割，实现了深层卷积神经网络与全连接条件随机场端对端的连接，将与改进的全连接模型，该模型将与深度卷积神经网络相结合，利用高斯成对势和平均场近似定理，建立条件随机场形成递归神经网络，并将它作为神经网络的部分，获得个兼具卷积神经网络特性和特性的深层端对端网络，将其命名为深度语义分割。利用该模型监测以及可见光遥感图像的海面溢油区域，并用可见光遥感图像有效估计溢油面积。模型模型利用空洞卷积代替了标准的网络卷积操作，通过扩大感受野缩小步幅对特征图采样。它调整了卷积滤波器的感受野来捕捉多尺度的上下文信息，输出不同分辨率的特征。对于维卷积结构，输出特征图的每个位臵，卷积滤波器，输过程。是第次迭代的输出，当未达到迭代次数时则继续迭代。当时，输出为最终迭代结果。Η，ΗΗ，Η，Ι，Η，通过上述改进，模型整体流程图如图所示，首先输入图片经过网络......”。

2、“.....然后经过多尺度模块，通过不同的空洞卷积速率得到不同大小的特征图。其次经过多尺度模块，加入层后，它可以加快训练速度，提高网络的泛化能力。其中模块的卷积神经网络可视化如图所示。当感受野较小的时候，提取探讨多源遥感图像海面溢油监测与深度语义分割的有机结合海洋环境学论文受野变大。然后进行多尺度提取，模块如图所示，在给定的输入特征图上以的空洞卷积并行采样，最后通过各个空洞卷积分支采样后结果融合到起，得到最终预测结果。实际上就是通过不同的空洞卷积来对图像进行不同程度的缩放，从而获得了更好的分割效果。最后使用全连接条件随机场细化图片。本文对平均场近似推理迭代算法的第步和第步进行了改进，原始的高斯核为，考虑了，的位臵向量和颜色向量，实际上颜色向量在层中决定了分类的先验概率，所以可以不考虑颜色向量的高斯距离，仅考虑位臵差异，这样高斯核为，距离越远差异就越小......”。

3、“.....特征向量般取图像维位臵坐标和颜色向量。距离和颜色的差距越大，则影响越小。针对以上问题以及多源遥感图像的特点，本文以模型为基础，提出种新的卷积神经网络形式的多源遥感图像海面溢油语义分割模型，用于监测海面溢油区域，该模型将与深度卷积神经网络相结合，利用高斯成对势和平均场近似定理，建立条件随机场形成递归神经网络，并将它作为神经网络的部分，获得个兼具卷积神经网络特性和特性的深层端对端网络，将其命名为深度语义分割。利用该模型监测以及可见光遥感图像的海面溢油区域，并用可见光遥感图像有效估计溢油面积。与改进的全连接模型优势结合在个统的端对端框架中。其次，本文在模块中加入了层，加快网格训练速度。最后，改进了基于平均场近似定理的全连接条件随机场算法，与端对端连接。全连接条件随机场传统的条件随机场用于平滑噪声，将邻近结点耦合，这样空间上接近的像素会被分配相同标记的标签......”。

4、“.....得分图通常非常平滑。在这种情况下，使用传统的条件随机场模型会漏掉细小结构，目标恢复详细的局部结构。而全连接条件随机场可以克服这个缺点，捕获精细细节。首先将像素标签建模为随机变量，在全局观测条件下形成马尔科夫随机场计算以及损失函数将本文模型在所建立的数据集上与其他先进模型进行对比，评价指标为，称为平均交并比，是语义分割的标准度量，具体如公式所示。对比结果如表所示。值最低的为，由于卷积网络的层数较少，从而导致结果较差。模型的值为，模型的值仅次于本文所提出的模型，达到了，模型值为。本文方法与其他先进方法相比效果较好，达到。ΙΟ，其中为类别，表示真实值，表示预测值，表示将类预测为类。表不同模型对比导出到，结果将部分海杂波分类为溢油区域。图的模型基本正确分类了溢油区域，但是精确度较差。本文所提出的方法检测结果如图所示，与图相比......”。

5、“.....捕获了目标精细细节。图的溢油区域较分散且不明显，模型只正确分类了舰船，本文所提出的方法如图所示，由图可知本文方法分类效果最好，由于实现了端对端的连接分割精度近步提升。由图所示，模型将舰船分类为溢油区域，模型与本文模型都正确分类了舰船与溢油区域，但是本文模型对目标的精细分割能力较强，获得了良好的效果。图可见光遥感图件随机场形成递归神经网络作为输出。通过多源遥感图像对海面溢油区域进行监测，并利用可见光图像估计溢油区域面积。实验在所建立的多源遥感图像数据集上与其它先进模型进行对比，结果表明本文方法提高了溢油区域的分割精度以及精细细节程度，平均交并比为，监测效果具有明显地改善。关键词卷积神经网络条件随机场海面溢油语义分割遥感图像引言近年来，随着世界各国对原油需求量不断增加，海洋石油运输业迅速发展，但国内外海面溢油污染事故却频繁发生。例如年......”。

6、“.....导致陆地输油管线发生爆炸，事故造成平方公里的海域被污染。年，桑吉轮与货船在长江口发生碰撞模型与本文模型都正确分类了舰船与溢油区域，但是本文模型对目标的精细分割能力较强，获得了良好的效果。图可见光遥感图像海面溢油分割结果图可见光遥感图像海面溢油分割结果图可见光遥感图像海面溢油分割结果图图像海面溢油分割结果图图像海面溢油分割结果图图像海面溢油分割结果图图为图像的海面溢油分类结果。在图像中，存在固有的相干斑噪声且不同区域特性不均匀，导致分类难度增加，由幅图可知，模型只能正确分类严重溢油区域，即图像中颜色较深的部分。模型虽然正确分类了部分溢油区域但是对目标边缘比较模糊其中为类别，表示真实值，表示预测值，表示将类预测为类。表不同模型对比导出到端对端模型迭代次数对实验的影响如表，由表可知，当迭代次数达到以上，提高的不是很明显，考虑迭代次数多所占用的时间......”。

7、“.....海面溢油分类结果本实验分别对比了遥感可见光图像与图像的海面溢油分割情况，如下图所示，对比方法分别为以及本文所提方法。图图为可见光遥感图像的海面溢油分割结果，可见光遥感图像的油污与海水具有不同的表现。其中图为原图，可以看出图中溢油区探讨多源遥感图像海面溢油监测与深度语义分割的有机结合海洋环境学论文海面溢油分割结果图可见光遥感图像海面溢油分割结果图可见光遥感图像海面溢油分割结果图图像海面溢油分割结果图图像海面溢油分割结果图图像海面溢油分割结果图图为图像的海面溢油分类结果。在图像中，存在固有的相干斑噪声且不同区域特性不均匀，导致分类难度增加，由幅图可知，模型只能正确分类严重溢油区域，即图像中颜色较深的部分。模型虽然正确分类了部分溢油区域但是对目标边缘比较模糊，本文所提出的方法分割结果均优于前两种模型。通过实验分析，无论是可见光遥感图像还是图像......”。

8、“.....对油污面积计算较少。而可见光遥感图像具有分辨率高颜色丰富等特征，可以有效估计溢油区域面积，这对海洋生态破坏评估后续溢油治理起到至关重要的作用。海面溢油分类结果本实验分别对比了遥感可见光图像与图像的海面溢油分割情况，如下图所示，对比方法分别为以及本文所提方法。图图为可见光遥感图像的海面溢油分割结果，可见光遥感图像的油污与海水具有不同的表现。其中图为原图，可以看出图中溢油区域较明显，但存在海杂波的干扰。图为模型检测结果，它只是用传统的卷积神经网络进行粗分割，并且未对平均场定理进行改，从标签中取值，为随机变量产生的向量，和的关系可以建模为条件随机场，如公式所示ΙΙΙ由此可定义吉布斯分布如公式所示。其中为衡量像素取标签的损失，由深层卷积神经网络获得。，为衡量像素，同时取标签，的损失，依赖于图像平滑项，使得相似像素更有可能标注相同标签，具体如公式所示......”。

9、“.....和分别为像素，的特征向量，特征向量般取图像维位事故造成大量石油泄漏溢入东海，对海洋生态环境造成巨大危害。当海面溢油事故发生后，能否准确地检测溢油区域位臵和面积信息，对后续采取防治措施至关重要。因此，开展海面溢油监测对于海洋环境保护具有重要意义。传统的海面溢油监测手段为航拍或实地调查，但是这种方法需要投入大量的人力物力，导致成本高操作难度大。而遥感卫星可以不受国界领空的限制，长期且有效地监测海面溢油的情况，是目前海面溢油监测的最佳手段。目前基于遥感卫星的海面溢油监测通常使用星载合成孔径雷达，其具有覆盖范围广全天候的优势，能够有效监测海面溢油位臵，但图像溢油监测的研究主要集中在探测本文所提出的方法分割结果均优于前两种模型。通过实验分析，无论是可见光遥感图像还是图像，本文所提出的方法均适用且分割效果好......”。