面向遥感影像土地覆盖分类的长程相关性监督

长程依赖建模在现代基于深度学习的语义分割方法中已被广泛考虑，尤其是那些为大尺寸遥感图像设计的方法，以弥补标准卷积的固有局部性。然而，在以往研究中，通过注意力机制或 transformer 模型建模的长程依赖基于无监督学习，而非来自客观真值图的显式监督。本文提出一种用于土地覆盖分类的新型有监督长程相关性方法，称为有监督长程相关性网络（SLCNet），其被证明优于当前使用的无监督策略。在 SLCNet 中，共享同一类别的像素被视为高度相关，而具有不同类别的像素相关性较低，这可容易地由真值语义分割图中可用的类别一致性信息监督。在此监督下，无论邻近与否，重新校准的特征对同类像素更具一致性，对其他类像素更具判别性。为补充全局长程相关性所缺乏的细节信息，我们引入一个辅助自适应感受野特征提取模块，与编码器中的长程相关性模块并行，以捕获多尺度遥感图像中多尺寸物体的精细细节特征表示。此外，我们应用多尺度侧输出监督与混合损失函数作为局部和全局约束，以进一步提升分割精度。实验在三个遥感数据集上进行。与来自计算机视觉、医学和遥感领域的先进分割方法相比，SLCNet 在所有数据集上均取得了最先进的性能。