自然灾害不仅会对人类生命财产和生存环境造成破坏，而且会对社会的可持续发展造成不利影响。快速且准确地获取受灾区域地物属性信息有助于灾后应急救援方案的制定和灾后损失的评估。遥感对地观测的视频数据能够完整记录地物由运动到损毁的全部变化过程，为灾害研究提供了新的契机。对于体量较大的图像数据而言，基于深度学习的语义分割网络是最佳选择，但是现有的遥感图像数据集并未覆盖全部灾害场景，而且灾害过程中地物变化多种多样，仅依靠现有网络难以为快速灾害应急救援提供及时信息。因此，本文充分结合视频数据的特点，利用语义分割网络和图像细化法旨在高精度地完成灾害地物分类。首先分别选取灾害早期、中期和末期三帧图像经过监督分类后构建小样本数据集，完成语义分割SegNet网络的预训练，得到全部视频数据的初始语义分割结果，然后依据视频时序一致性的特点，通过对连续四帧图像的初始语义分割结果进行差值变化趋势检测，对存在突变的区域构建骨架细化法进行自动校正。结果表明，经过自动校正后语义分割精度为80.07%，相比于初始语义分割结果大约提升了5%。因此，本文所提的算法对提高视频数据语义分割结果的精度有积极的作用，可以实现灾变地物的准确定性，能够为灾后的快速响应提供技术支撑。
 

卷积神经网络,遥感卫星,视频,语义分割