遥感图像超分辨率的高级特征提取模块
图像与视频处理
2024-05-09 v1 计算机视觉与模式识别
摘要
近年来，卷积神经网络（CNN）在遥感图像超分辨率领域取得了显著进展，因为遥感图像（RSIs）中纹理和结构的复杂性和可变性往往在同一图像中重复，但在不同图像之间存在差异。当前的深度学习超分辨率模型对高频特征关注不足，导致在捕获轮廓、纹理和空间信息方面性能不佳。目前的SOTA CNN方法已关注使用注意力机制对RSIs进行特征提取。但是，这些方法仍无法有效识别和利用RSIs中的关键内容注意力信号。为解决此问题，我们提出了一种高级特征提取模块，称为“通道和空间注意力特征提取”（Channel and Spatial Attention Feature Extraction, CSA-FE），通过将通道注意力和空间注意力融合于标准视觉变换器（ViT）中来有效提取特征。该方法在2、3、4比例下在UCMerced数据集上进行训练。实验结果表明，我们的方法有助于模型聚焦于包含高频信息的特定通道和空间位置，从而使模型能够关注相关特征并抑制不相关特征，这提高了超分辨图像的质量。我们的模型在各种现有模型之上表现出优异性能。
引用
@article{arxiv.2405.04595,
title = {An Advanced Features Extraction Module for Remote Sensing Image Super-Resolution},
author = {Naveed Sultan and Amir Hajian and Supavadee Aramvith},
journal= {arXiv preprint arXiv:2405.04595},
year = {2024}
}
备注
Preprint of paper from The 21st International Conference on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology or ECTI-CON 2024, Khon Kaen, Thailand