RSI-Net: 用于遥感图像语义分割的双流深度神经网络
计算机视觉与模式识别
2022-04-04 v2 人工智能
摘要
对于遥感图像(RSI)的语义分割,表征能力与定位精度之间的权衡十分重要。如何有效取得该权衡是一个开放问题,当前利用极深模型的方法导致了具有大内存消耗的复杂模型。与以往利用空洞卷积或深度模型的工作不同,我们提出了一种用于 RSI 语义分割的新型双流深度神经网络(RSI-Net),通过有效建模和传播空间上下文结构以及图像级与图级结合的解码方案来获得改进性能。第一个组件显式建模相邻地物覆盖之间的相关性,并利用图卷积网络在任意不规则图像区域上进行灵活卷积,而具有多尺度空洞卷积的密集连接空洞卷积网络(DenseAtrousCNet)可扩大感受野并获取图像全局信息。在 Vaihingen、Potsdam 和 Gaofen RSI 数据集上进行了大量实验,对比结果表明,与六种最先进的 RSI 语义分割方法相比,RSI-Net 在总体精度(三个数据集上分别为 91.83%、93.31% 和 93.67%)、F1 分数(三个数据集上分别为 90.3%、91.49% 和 89.35%)和 kappa 系数(三个数据集上分别为 89.46%、90.46% 和 90.37%)方面均具有优越性能。
引用
@article{arxiv.2109.09148,
title = {RSI-Net: Two-Stream Deep Neural Network for Remote Sensing Imagesbased Semantic Segmentation},
author = {Shuang He and Xia Lu and Jason Gu and Haitong Tang and Qin Yu and Kaiyue Liu and Haozhou Ding and Chunqi Chang and Nizhuan Wang},
journal= {arXiv preprint arXiv:2109.09148},
year = {2022}
}
备注
14pages, 8 figures, 4 tables