学习聚合多尺度上下文用于远程传感图像中的实例细分

科学领域:

• 计算机视觉 计算机视觉
• 遥感 遥感 遥感 遥感
• 人工智能的人工智能

背景情况:

• 遥感中的实例细分对于民用应用至关重要.
• 现有的自然图像方法在遥感数据上失败,原因是尺度变化,低对比度和聚类对象.
• 缺乏歧视性特征阻碍了表现.

研究的目的:

• 提出一种新的上下文聚合网络 (CATNet),以改善远程传感图像中的实例细分.
• 为了应对尺度变化,低对比度和聚类对象分布的挑战.
• 为了增强特征提取,以获得更准确的每像素标签.

主要方法:

• 开发了CATNet,一个上下文聚合网络.
• 集成了三个轻量级模块:密集特征金字塔网络 (DenseFPN),空间上下文金字塔 (SCP) 和分层感兴趣区域提取器 (HRoIE).
• 密集的FPN可以实现灵活的信息流;SCP使用关注全球空间环境;HRoIE产生适应性ROI特征.

主要成果:

• 在iSAID,DIOR,NWPU VHR-10和HRSID数据集上,CATNet显著超过了最先进的方法.
• 拟议的方法在可比的计算成本下实现了卓越的性能.
• 在整合跨特征,空间和实例领域的全球视觉背景方面表现出有效性.

结论:

• CATNet有效地解决了远程传感实例细分方面的关键挑战.
• 拟议的模块增强了特征表示和上下文聚合.
• 在遥感图像中,CATNet提供了一种强大而高效的解决方案,用于每像素对象标签.