文献类型：期刊文章

作　　者：刘文祥[1] 舒远仲[1] 唐小敏[1] 刘金梅[1]

Liu Wenxiang;Shu Yuanzhong;Tang Xiaomin and Liu Jinmei(School of Information Engineering,Nanchang Hangkong University,Nanchang 330063,China)

机构地区：[1]南昌航空大学信息工程学院图像处理省重点实验室,南昌330063

出　　处：《热带地理》

年　　份：2020

卷　　号：40

期　　号：2

起止页码：303-313

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、JST、PROQUEST、ZGKJHX、核心刊

摘　　要：针对DeepLabv3+网络在遥感影像上呈现出拟合速度慢,边缘目标分割不精确,大尺度目标分割类内不一致、存在孔洞等缺陷,提出在该网络中引入双注意力机制模块(Dual Attention Mechanism Module,DAMM),设计并实现了将DAMM结构与ASPP(Atous Spatial Pyramid Pooling)层串联或并联的2种不同连接方式网络模型,串联连接方式中先将特征图送入DAMM后,再经过ASPP结构;并联连接方式中将双注意力机制层与ASPP层并行连接,网络并行处理主干网提取特征图,再融合两层处理特征信息。将改进的2种方法通过INRIA Aerial Image高分辨率遥感影像数据集验证,结果表明,串联或并联方式2种网络都能有效改善Deeplabv3+的不足,并联方式网络性能更好,其对原网络缺陷改善效果更明显,并在测试数据集上mIoU达到85.44%,比Deeplabv3+提高了1.8%,而串联方式网络提高了1.12%。并联结构网络更符合本文需求,其形成了一种对DeepLabv3+网络上述问题进行统一改善的方案。

关 键 词：遥感影像 深度学习  DeepLabv3+  注意力机制  语义分割  

分 类 号：TP751]