典型文献
结合多尺度注意力和边缘监督的遥感图像建筑物分割模型
文献摘要：
遥感图像分割是遥感图像处理领域的一项重要应用.针对卷积神经网络在遥感图像分割时存在建筑物错分、漏分,建筑物轮廓分割不准确的问题,基于深度学习网络U-Net,提出了一种结合多尺度注意力和边缘监督的遥感图像分割网络MAE-Net.首先,在编码阶段每层引入多尺度注意力模块,该模块对输入特征图进行通道均等分组,每组使用大小不同的卷积核进行特征提取,之后对每组施加通道注意力机制,通过自学习的方式获得更为有效的特征,解决大小不一建筑物特征提取不准确的问题;其次,在解码阶段引入边缘提取模块,构造边缘监督网络,通过损失函数计算边缘标签和预测边缘的误差,帮助分割网络更好地学习建筑物边缘特征,使建筑物边界的分割结果更为连续、平滑.实验结果表明,MAE-Net能够从背景复杂多样、尺度变化较大的遥感图像中完整地分割出建筑物,且分割精度较高.
文献关键词：
图像处理;神经网络;遥感图像;多尺度特征提取;注意力机制;边缘监督
中图分类号：
作者姓名：
杨潇宇;汪西莉
作者机构：
陕西师范大学计算机科学学院,陕西西安710119
文献出处：
引用格式：
[1]杨潇宇;汪西莉-.结合多尺度注意力和边缘监督的遥感图像建筑物分割模型)[J].激光与光电子学进展,2022(22):327-336
A类：
B类：
边缘监督,建筑物分割,分割模型,遥感图像分割,遥感图像处理,重要应用,错分,建筑物轮廓,深度学习网络,Net,分割网络,MAE,在编,每层,多尺度注意力模块,输入特征,特征图,卷积核,通道注意力机制,自学习,大小不一,解码,边缘提取,取模,监督网络,损失函数,地学,边缘特征,尺度变化,整地,割出,多尺度特征提取
AB值：
0.298056
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。
