摘要

为了解决遥感图像语义分割任务中上下文依赖关系提取不足、空间细节信息损失导致分割精度下降等问题,提出了一种结合上下文与类别感知特征融合的语义分割方法。该方法首先以ResNet-50作为特征提取的主干网络,并在下采样中采用注意力模块,以增强特征表示和上下文依赖关系的提取; 然后在跳跃连接上构建大尺寸的感受野块,提取丰富的多尺度上下文信息,以减少目标之间尺度变化的影响; 其后并联场景特征关联融合模块,以全局特征来引导局部特征融合; 最后在解码器部分构建类别预测模块和类别感知特征融合模块,准确融合底层的高级语义信息与高层的细节信息。将所提方法在Potsdam和Vaihingen数据集上验证可行性,并与DeepLabv3+,BuildFormer等6种常用方法进行对比实验,以验证其先进性。实验结果表明,所提方法在Recall,F1-score和Accuracy指标上均优于其他方法,尤其是对建筑物分割的交并比(intersection over union,IoU)在2个数据集上分别达到90.44%和86.74%,较次优网络DeepLabv3+和A2FPN分别提升了1.55%和2.41%。

引用

何晓军, 罗杰. 结合上下文与类别感知特征融合的高分遥感图像语义分割[J]. 自然资源遥感, 2025, 37(2): 1-10.

文章内容大纲

1CCFFSM网络1.1 DAM_CAM模块 1.2 L_RFB 1.3 SCM模块 1.4 CPM模块 1.5 CFM模块2 实验结果分析2.1 数据源及其预处理 2.2 实验设置 2.3 对比实验 2.4 消融实验

图表欣赏

表1Potsdam和Vaihingen数据集

表2在Potsdam数据集上的实验结果

结论

针对在遥感图像语义分割任务中空间细节信息丢失、上下文依赖关提取不足、多尺度上下文信息提取不足和特征融合不充分导致分割精度低等问题,本文提出了一种用于高分辨率遥感图像语义分割的CCFFSM模型。

1)在编码阶段采用DAM_CAM模块,提取上下文依赖关系。在跳跃连接处,构建L_RFB模块,提取丰富的多尺度上下文信息,并在其后连接SCM模块,根据前景融合重要的特征。在解码阶段,首先构建CPM模块,得到不同层次不同尺度的预测结果,然后把结果送入CFM模块中,根据不同类别进行有效融合,以保留更多重要的语义信息。

2)在Potsdam和Vaihingen数据集上的对比实验结果表明,在相同的实验条件下,CCFFSM方法在多种指标上都优于其他6种对比方法; 尤其对建筑物分割的IoU分别达到了90.44%和86.74%,说明本文方法能有效提高分割性能。此外,在Vaihingen数据集上消融实验也验证了本文方法中各个模块的有效性。

未来研究的重点可以考虑在保证精度的同时,轻量化模型以提升遥感图像的处理速度。

来源：测绘学术资讯