典型文献
面向高分遥感影像道路提取的轻量级双注意力和特征补偿残差网络模型
文献摘要：
针对高分辨率遥感影像背景复杂,道路提取容易受阴影、建筑物和铁路等背景信息干扰的问题,提出一种带有轻量级双注意力和特征补偿机制的DAFCResUnet模型.该模型在ResUnet的基础上,通过增加轻量级的双注意力和特征补偿模块实现模型在性能和时空复杂度上的平衡.其中,双注意力模块可以增强模型的特征提取能力,特征补偿模块可以融合网络中来自深浅层的道路特征.在DeepGlobe和GF-2道路数据集上的实验结果表明,DAFCResUnet模型的IoU和F1-score可以达到0.6713、0.8033和0.7402、0.8507,模型的整体精度优于U-Net、ResUnet和VNet模型.与U-Net和ResUnet模型相比,DAFCRe-sUnet模型仅增加了少量的计算量和参数量,但IoU和F1-score均有较大幅度的提高;与VNet模型相比,DAFCResUnet模型在计算量和参数量远低于VNet的情况下取得了更高的精度,模型在精度和时空复杂度两方面均有优势.相比其他对比模型,DAFCResUnet模型具有更强的特征提取和抗干扰能力,能更好解决道路上的干扰物、与道路特征相似地物、树荫或阴影遮挡等造成的道路空洞、误提和漏提现象.
文献关键词：
深度学习;道路提取;高分辨率遥感影像;残差网络;U-Net模型;双注意力模块;编解码器;特征补偿
中图分类号：
作者姓名：
陈振;陈芸芝;吴婷;李佳优
作者机构：
福州大学数字中国研究院(福建),福州350108;卫星空间信息技术综合应用国家地方联合工程研究中心,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
文献出处：
引用格式：
[1]陈振;陈芸芝;吴婷;李佳优-.面向高分遥感影像道路提取的轻量级双注意力和特征补偿残差网络模型)[J].地球信息科学学报,2022(05):949-961
A类：
DAFCResUnet,DAFCRe,sUnet
B类：
高分遥感影像,道路提取,轻量级,特征补偿,残差网络模型,高分辨率遥感影像,背景信息,补偿机制,补偿模块,双注意力模块,增强模型,特征提取能力,融合网络,深浅,DeepGlobe,GF,路数,IoU,score,整体精度,VNet,计算量,参数量,对比模型,抗干扰能力,干扰物,似地,地物,树荫,阴影遮挡,道路空洞,提现,编解码器
AB值：
0.283044
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。
