RiFCN：全卷积网络中的循环网络用于高分辨率遥感图像语义分割
计算机视觉与模式识别
2018-05-08 v1
摘要
高分辨率遥感图像中的语义分割是一项基础且具有挑战性的任务。卷积神经网络（CNNs），如全卷积网络（FCN）和 SegNet，已在许多分割任务中展现出卓越性能。这些成功的关键支柱之一是从卷积层特征中挖掘有用信息以生成高分辨率分割图。例如，FCN 非线性组合从最后卷积层提取的高级特征；而 SegNet 利用一个反卷积网络，其仅以最后卷积层的粗糙、高级特征图作为输入。然而，如何更好地融合多级卷积特征图以用于遥感图像语义分割仍未被充分探索。在这项工作中，我们提出了一种称为全卷积网络中的循环网络（RiFCN）的新型双向网络，它是端到端可训练的。它有一个前向流和一个后向流。前者是一个用于特征提取的分类 CNN 架构，其接收输入图像并生成从浅到深的多级卷积特征图；而在后者中，为实现精确的边界推断与语义分割，较浅层中边界感知的高分辨率特征图与高级但低分辨率特征被递归地嵌入学习框架（从深到浅）以生成融合特征表示，该表示不仅勾勒出高级语义信息的整体图景，也包含低级细粒度细节。在两个广泛使用的高分辨率遥感语义分割数据集 ISPRS Potsdam 和 Inria Aerial Image Labeling Data Set 上的实验结果表明，与其他所研究的方法相比，所提方法取得了有竞争力的性能。
引用
@article{arxiv.1805.02091,
title = {RiFCN: Recurrent Network in Fully Convolutional Network for Semantic Segmentation of High Resolution Remote Sensing Images},
author = {Lichao Mou and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:1805.02091},
year = {2018}
}