用于高分辨率航空影像语义分割的上下文沙漏网络

航空影像的语义分割是遥感影像分析中一个具挑战性且重要的问题。近年来，随着深度学习的成功，各类基于卷积神经网络（CNN）的模型被提出。然而，由于物体尺寸多变且类别标签不均衡，获得准确的逐像素语义分割结果颇具挑战。为应对这些挑战，我们提出一种新颖的语义分割方法，称之为上下文沙漏网络（Contextual Hourglass Network）。在我们的方法中，为提升预测的鲁棒性，我们设计了一个新的上下文沙漏模块，该模块在处理后的低分辨率特征图上引入注意力机制以利用上下文语义。我们进一步通过端到端连接多个上下文沙漏模块来利用堆叠的编码器—解码器结构。该架构能有效提取丰富的多尺度特征，并通过中间监督增加更多反馈回路以更好地学习上下文语义。为证明我们语义分割方法的有效性，我们在 Potsdam 与 Vaihingen 数据集上进行了测试。与其他基线方法相比，我们的方法在总体性能上取得了最佳结果。