基于多尺度概率图引导的索引池化与注意力学习用于道路和建筑物分割
计算机视觉与模式识别
2024-01-01 v1 人工智能
摘要
从卫星图像中高效提取道路和建筑物足迹在许多遥感应用中至关重要。然而，由于树木遮蔽的多样化建筑结构、道路与建筑物之间相似的光谱响应以及道路上异构交通造成的遮挡，精确的分割图提取极具挑战性。现有的基于卷积神经网络（CNN）的方法侧重于用于建筑物提取的丰富空间语义学习或细粒度道路拓扑提取。由于 CNN 中传统池化机制导致的深层语义信息丢失，会在复杂环境中生成碎片化且不连续的道路图，并为密集分布的小型建筑物产生分割不佳的边界。在本文中，我们提出了一种新颖的注意力感知分割框架，即多尺度监督扩张多路径注意力网络（MSSDMPA-Net），该网络配备了两个新模块：动态注意力图引导索引池化（DAMIP）和动态注意力图引导空间与通道注意力（DAMSCA），以从遥感图像中精确提取建筑物足迹和道路图。DAMIP 通过采用一种新颖的索引池化机制来挖掘显著特征，以保留重要的几何信息。另一方面，DAMSCA 同时提取多尺度空间和光谱特征。此外，在优化 MSSDMPA-Net 时使用扩张卷积和多尺度深度监督有助于实现卓越的性能。在多个基准建筑物和道路提取数据集上的实验结果，确保了 MSSDMPA-Net 成为建筑物和道路提取的最先进（SOTA）方法。
引用
@article{arxiv.2302.09411,
title = {MultiScale Probability Map guided Index Pooling with Attention-based learning for Road and Building Segmentation},
author = {Shirsha Bose and Ritesh Sur Chowdhury and Debabrata Pal and Shivashish Bose and Biplab Banerjee and Subhasis Chaudhuri},
journal= {arXiv preprint arXiv:2302.09411},
year = {2024}
}