首页|加强类别关系的农作物遥感图像语义分割

加强类别关系的农作物遥感图像语义分割

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
目的 遥感图像处理技术在农作物规划、植被检测以及农用地监测等方面具有重要的作用.然而农作物遥感图像上存在类别不平衡的问题,部分样本中农作物类间相似度高、类内差异性大,使得农作物遥感图像的语义分割更具挑战性.为了解决这些问题,提出一种融合不同尺度类别关系的农作物遥感图像语义分割网络CRNet(class relation network).方法 该网络将ResNet-34作为编码器的主干网络提取图像特征,并采用特征金字塔结构融合高阶语义特征和低阶空间信息,增强网络对图像细节的处理能力.引入类别关系模块获取不同尺度的类别关系,利用一种新的类别特征加强注意力机制(class feature enhancement,CFE)结合通道注意力和加强位置信息的空间注意力,使得农作物类间的语义差异和农作物类内的相关性增大.在解码器中,将不同尺度的类别关系融合,增强了网络对不同尺度农作物特征的识别能力,从而提高了对农作物边界分割的精度.通过数据预处理、数据增强和类别平衡损失函数(class-balanced loss,CB loss)进一步缓解了农作物遥感图像中类别不平衡的问题.结果 在Barley Remote Sensing数据集上进行的实验表明,CRNet网络的平均交并比(mean intersection over union,MIoU)和总体分类精度(overall accuracy,OA)分别达到68.89％和82.59％,性能在评价指标和可视化效果上均优于PSPNet(pyramid scene parsing network)、FPN(feature pyramid network)、LinkNet、DeepLabv3+、FarSeg(foreground-aware rela-tion network)以及STLNet(statistical texture learning network).结论 CRNet网络通过类别关系模块,在遥感图像复杂的地物背景中更加精准地区分相似的不同农作物,识别特征差异大的同种农作物,并融合多级特征使得提取出的目标边界更加清晰完整,提高了分割精度.
CRNet:class relation network for crop remote sensing image semantic segmentation

董荣胜、马雨琪、刘意、李凤英

展开 >

桂林电子科技大学广西可信软件重点实验室,桂林 541004

农作物遥感图像 语义分割 类别关系模块 注意力机制 类别平衡损失函数(CB loss) Barley Remote Sens-ing 数据集

62062029617620242017GXNSFDA198050

2022

中国图象图形学报
中国科学院遥感应用研究所,中国图象图形学学会 ,北京应用物理与计算数学研究所

中国图象图形学报

CSTPCDCSCD北大核心
影响因子：1.111
ISSN：1006-8961
年,卷(期)：2022.27(11)
  • 3
  • 1