基于频道注意力和特征信息 entropy 的遥感数据的语义细分
Sining Duan1,2, Jingyi Zhao3, Xinyi Huang1,2
1Jiangsu Provincial Key Laboratory of Geographic Information Science and Technology, Key Laboratory for Land Satellite Remote Sensing Applications of Ministry of Natural Resources, School of Geography and Ocean Science, Nanjing University, Nanjing 210023, China.
Sensors (Basel, Switzerland)
|February 24, 2024
概括
一个新的功能信息注意力机制 (FEM) 改进了遥感土地使用分类. 这种新的方法增强了特征重要性映射,优于对基准数据集的现有方法.
科学领域:
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
- 机器学习 机器学习
背景情况:
- 深度学习中的道注意力机制,将特征统计数据映射到权重.
- 由于多频段统计变异,它们在遥感中的有效性有限.
研究的目的:
- 提出一种新道注意力机制,即特征信息注意力机制 (FEM),用于远程传感图像分析.
- 解决处理多频段统计差异现有方法的局限性.
主要方法:
- 开发了基于特征信息的特征信息注意力机制 (FEM).
- 使用信息来绘制特征重要性,构建特征关系.
- 在Vaihingen和OpenEarthMap数据集上进行了实验.
主要成果:
- 与挤压和刺激 (SEM),卷积块注意力 (CBAM) 和频道注意力 (FCA) 相比,FEM表现得更好.
- 在Vaihingen数据集中,mIoU的改善率为0.90% (相对于SEM),1.10% (相对于CBAM) 和0.40% (相对于FCA).
- 在OpenEarthMap数据集中,mIoU提高了2.30% (相对于SEM),2.20% (相对于CBAM) 和2.10% (相对于FCA).
结论:
- 拟议的FEM在遥感土地利用分类方面表现出卓越的性能.
- 在远程传感图像中,FEM有效处理跨多个频段的统计差异.
- 这种机制为远程传感应用中的基于注意力的深度学习提供了有希望的进步.
更多相关视频
08:25Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment
Published on: May 7, 2019
9.0K
10:28Investigating the Relationship between Sea Surface Chlorophyll and Major Features of the South China Sea with Satellite Information
Published on: June 13, 2020
5.8K
