来源：期刊VIP网 时间：
作者：金维;李佳田;段烨;
单位：昆明理工大学国土资源工程学院;
摘要：针对星载遥感图像分割精度低、边缘分割模糊问题，提出一种高低层特征信息融合网络模型。以U-Net网络模型为基础，在编码器中加入注意力机制模块获取图像低层特征信息，并在解码器中利用语义嵌入分支将图像的高层信息与低层信息进行融合，在编码器末端利用不同空洞扩张率的混合空洞卷积构建相应模块。为验证网络有效性，以WHDLD数据集和DeepGlobe-Road数据集作为数据源，将SAA-UNet模型与常用语义分割模型进行对比。实验结果显示，SAA-UNet模型整体分割精度优于对比模型，对小目标地物的分割效果更好。在WHDLD数据集中，平均交并比和类别平均像素准确率分别高于次优模型0.013和0.027。此外，本文采用DeepGlobe-Road数据集进行泛化性。结果表明，本文模型可以有效提高星载遥感图像的分割精度。
关键词：深度学习;;语义分割;;混合空洞卷积;;注意力机制;;语义嵌入分支
基金资助：国家自然科学基金地区项目(41561082)
