典型文献
利用基于残差多注意力和ACON激活函数的神经网络提取建筑物
文献摘要：
针对目前主流深度学习网络模型应用于高空间分辩率遥感影像建筑物提取存在的内部空洞、不连续以及边缘缺失与边界不规则等问题,本文在U-Net模型结构的基础上通过设计新的激活函数(ACON)、集成残差以及通道-空间与十字注意力模块,提出RMAU-Net模型.该模型中的ACON激活函数允许每个神经元自适应地激活或不激活,有利于提高模型的泛化能力和传输性能;残差模块用于拓宽网络深度并降低训练和学习的难度,获取深层次语义特征信息;通道-空间注意力模块用于增强编码段与解码段信息的关联、抑制无关背景区域的影响,提高模型的灵敏度;十字注意力模块聚合交叉路径上所有像素的上下文信息,通过循环操作捕获全局上下文信息,提高像素间的全局相关性.以Massachusetts数据集为样本的建筑物提取实验表明,在所有参与比对的7个模型中,本文提出的RMAU-Net模型交并比与F1分数2项指标最优、查准率和查全率两项指标接近最优,RMA-UNet总体效果优于同类模型.通过逐步添加每个模块来进一步验证各模块的有效性以及本文所提方法的可靠性.
文献关键词：
高分影像;建筑物提取;卷积神经网络;ACON激活函数;残差块;空间注意力;通道注意力模块;十字注意力
中图分类号：
作者姓名：
吴新辉;毛政元;翁谦;施文灶
作者机构：
福州大学数字中国研究院(福建),福州350108;福州大学空间数据挖掘与信息共享教育部重点实验室,福州350108;福州大学计算机与大数据学院,福州350108;福建省网络计算与智能信息处理省重点实验室(福州大学),福州350108;福建师范大学光电与信息工程学院,福州350007;福建师范大学福建省光电传感应用工程技术研究中心,福州350007
文献出处：
引用格式：
[1]吴新辉;毛政元;翁谦;施文灶-.利用基于残差多注意力和ACON激活函数的神经网络提取建筑物)[J].地球信息科学学报,2022(04):792-801
A类：
十字注意力,RMAU
B类：
多注意力,ACON,激活函数,深度学习网络,模型应用,分辩率,遥感影像,建筑物提取,模型结构,泛化能力,传输性能,残差模块,宽网,语义特征,特征信息,空间注意力,解码,背景区域,叉路,全局上下文信息,高像素,全局相关性,Massachusetts,集为,提取实验,交并比,查准率,查全率,UNet,高分影像,残差块,通道注意力模块
AB值：
0.299171
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
