加强类别关系的农作物遥感图像语义分割

• 全文链接
• 请求原文

作   者：

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; 

关键词：

类别关系模块;  注意力机制;  语义分割;  类别平衡损失函数（CB loss）;  农作物遥感图像;  Barley Remote Sensing数据集; 

期刊名称：

中国图象图形学报

i s s n：

年卷期：

2022 年 011 期

页   码：

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 relation 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。