SLMFNet:通过选择性关注和多层次特征融合,提高遥感图像的土地覆盖分类
Xin Li1, Hejing Zhao2,3, Dan Wu4,5,6
1College of Computer and Information, Hohai University, Nanjing, Jiangsu, China.
PloS one
|May 14, 2024
概括
本研究介绍了SLMFNet,这是一个用于远程传感图像中的土地覆盖分类 (LCC) 的新型网络. 通过选择性注意模块 (SAM) 来提高环境变化评估,SLMFNet 增强了特征表示.
科学领域:
- 遥感 遥感 遥感 遥感
- 计算机视觉 计算机视觉
- 环境科学 环境科学
背景情况:
- 土地覆盖分类 (LCC) 对于使用遥感图像 (RSI) 监测环境变化至关重要.
- 在LCC的挑战包括在RSIs中显著的类内差异和类间相似性,特别是在各种尺度上.
- 现有的方法与RSI中的地形和对象的异质性质作斗争.
研究的目的:
- 开发一个先进的语义细分网络,用于多源RSI中的智能LCC.
- 解决RSIs中稀疏,不平衡的数据和特征异质性产生的复杂性.
- 通过增强的特征表示,提高了解地面物体的准确性和全面性.
主要方法:
- 介绍SLMFNet,一个包含选择性注意模块 (SAM) 的编码器-解码器细分网络.
- 选择性位置注意模块 (SPAM) 使用空间金字塔聚合 (SPP) 进行上下文空间亲和关系.
- 选择性通道注意模块 (SCAM) 通过特征地图聚合和注意地图生成来捕捉通道间的亲和关系.
- 多级特征融合解码器 (MLFD) 具有数据依赖的上采样,以恢复和合并多级特征.
主要成果:
- 与最先进的方法相比,SLMFNet在ISPRS波茨坦和DeepGlobe数据集上表现出卓越的性能.
- 废弃性研究证实了拟议的SAMS的有效性和精度.
- 该网络成功地缓解了与稀疏和不平衡的RSI分配相关的问题.
结论:
- 在遥感图像中,SLMFNet为土地覆盖的分类提供了一个强大的解决方案.
- SAM和MLFD的整合显著提高了特征区分能力和多尺度细节恢复.
- 提出的方法推进了环境监测的语义细分领域.
