典型文献
加强类别关系的农作物遥感图像语义分割
文献摘要：
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.
文献关键词：
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
中图分类号：
作者姓名：
董荣胜;马雨琪;刘意;李凤英
作者机构：
桂林电子科技大学广西可信软件重点实验室,桂林 541004
文献出处：
引用格式：
[1]董荣胜;马雨琪;刘意;李凤英-.加强类别关系的农作物遥感图像语义分割)[J].中国图象图形学报,2022(11):3382-3394
A类：
农作物遥感图像,植被检测,CRNet,类别关系模块,FarSeg,STLNet,Sens
B类：
遥感图像语义分割,遥感图像处理,图像处理技术,农用地,类别不平衡,分样,中农,类内差异,不同尺度,语义分割网络,class,relation,network,ResNet,编码器,主干网络,图像特征,特征金字塔结构,语义特征,低阶,空间信息,处理能力,类别特征,特征加强,注意力机制,feature,enhancement,CFE,合通,通道注意力,位置信息,空间注意力,语义差异,解码器,关系融合,识别能力,界分,数据预处理,数据增强,类别平衡损失,平衡损失函数,balanced,loss,CB,Barley,Remote,Sensing,平均交并比,mean,intersection,union,MIoU,分类精度,overall,accuracy,OA,PSPNet,pyramid,scene,parsing,FPN,LinkNet,DeepLabv3+,foreground,aware,statistical,texture,learning,地物,识别特征,特征差异,多级特征
AB值：
0.341581
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。
