用于多分辨率遥感图像语义分割的尺度感知神经网络
计算机视觉与模式识别
2021-11-05 v4 图像与视频处理
摘要
在像素级为地理空间对象赋予特定类别是遥感图像分析中的基础任务。随着传感器技术的快速发展，遥感图像可以多种空间分辨率（MSR）被获取，其信息内容在不同尺度上显现。从这些 MSR 图像中提取信息为增强特征表示与刻画带来了巨大机遇。然而，MSR 图像面临两个关键问题：1) 地物尺度变化增大；2) 粗空间分辨率下细节信息丢失。为弥补这些差距，本文提出一种新颖的尺度感知神经网络（SaNet）用于 MSR 遥感影像的语义分割。SaNet 部署密集连接特征网络（DCFFM）模块以捕获高质量多尺度上下文，从而妥善处理尺度变化并提升大、小物体的分割质量。进一步将空间特征重标定（SFRM）模块引入网络以学习具有增强空间关系的完整语义内容，消除了信息丢失的负面影响。DCFFM 与 SFRM 的结合使 SaNet 能学习尺度感知特征表示，优于现有的多尺度特征表示。在三个语义分割数据集上的大量实验证明了所提 SaNet 在跨分辨率分割中的有效性。
引用
@article{arxiv.2103.07935,
title = {Scale-aware Neural Network for Semantic Segmentation of Multi-resolution Remote Sensing Images},
author = {Libo Wang and Ce Zhang and Rui Li and Chenxi Duan and Xiaoliang Meng and Peter M. Atkinson},
journal= {arXiv preprint arXiv:2103.07935},
year = {2021}
}