SDRNET：用于精细分辨率遥感图像精准语义分割的堆叠深度残差网络
计算机视觉与模式识别
2025-06-30 v1 人工智能
摘要
源自对高分辨率遥感图像进行语义分割生成的地覆盖图，已在测量学和遥感研究领域引起广泛关注。当前，随着不断提升的感知和成像技术，大量细节分辨率遥感图像（FRRS） become 可用。然而，准确地对此类 FRRS 图像进行语义分割，受到显著类别不平衡、因遮挡导致关键地面目标不可见以及目标尺寸变化等因素的严重影响。尽管深度卷积神经网络（DCNN）在图像特征学习和表示方面展现出巨大潜力，但从 FRRS 图像中提取足够的特征以实现准确语义分割仍具有挑战性。这些挑战要求深度学习模型能够学习鲁棒特征并生成充足的特征描述符。具体而言，学习多语境特征以保证对各种目标尺寸的地面场景具有充分覆盖，利用全局-局部语境来克服类别不平衡挑战，即使是深层网络也面临此问题。更深的网络由于逐步下采样过程导致空间细节显著丢失，从而产生较差的分割结果和粗糙的边界。本文提出了一种用于 FRRS 图像语义分割的堆叠深度残差网络（SDRNet）。该框架利用两个堆叠的编码器-解码器网络以利用长程语义信息同时保持空间信息，并在每个编码器和解码器网络之间引入膨胀残差块（DRB）以捕获足够的全局依赖关系，从而提高分割性能。我们的实验结果使用 ISPRS Vaihingen 和 Potsdam 数据集表明，SDRNet 在语义分割任务中有效且具有竞争力。
引用
@article{arxiv.2506.21945,
title = {SDRNET: Stacked Deep Residual Network for Accurate Semantic Segmentation of Fine-Resolution Remotely Sensed Images},
author = {Naftaly Wambugu and Ruisheng Wang and Bo Guo and Tianshu Yu and Sheng Xu and Mohammed Elhassan},
journal= {arXiv preprint arXiv:2506.21945},
year = {2025}
}