用于超高分辨率遥感影像语义分割的注意力融合网络
计算机视觉与模式识别
2021-05-31 v2
摘要
语义分割是深度学习的重要组成部分。近年来，随着遥感大数据的发展，语义分割在遥感中的应用日益广泛。深度卷积神经网络（DCNNs）面临特征融合的挑战：超高分辨率遥感影像多源数据融合可增加网络的可学习信息，有利于DCNNs正确分类目标对象；同时，高层抽象特征与低层空间特征的融合可提高目标对象边界处的分类精度。本文提出一种多路径编码器结构以提取多路径输入的特征，一种多路径注意力融合块模块以融合多路径特征，以及一种精炼注意力融合块模块以融合高层抽象特征与低层空间特征。此外，我们提出一种新颖的卷积神经网络架构，称为注意力融合网络（AFNet）。基于我们的AFNet，我们在ISPRS Vaihingen 2D数据集上取得了总体精度91.7%和平均F1分数90.96%的SOTA性能，在ISPRS Potsdam 2D数据集上取得了总体精度92.1%和平均F1分数93.44%的SOTA性能。
引用
@article{arxiv.2105.04132,
title = {An Attention-Fused Network for Semantic Segmentation of Very-High-Resolution Remote Sensing Imagery},
author = {Xuan Yang and Shanshan Li and Zhengchao Chen and Jocelyn Chanussot and Xiuping Jia and Bing Zhang and Baipeng Li and Pan Chen},
journal= {arXiv preprint arXiv:2105.04132},
year = {2021}
}
备注
35 pages. Published by ISPRS Journal of Photogrammetry and Remote Sensing