计算机科学››2024,第51卷››问题(5): 134-142.数字对象标识:10.11896/jsjkx.230200134
•计算机图形和多媒体• 以前的文章 下一篇文章
何晓辉1、周涛2,李攀2、常静2、李佳勉2
收到:
修订过的:
在线:
出版:
关于作者:
支持单位:
摘要:基于深度学习的遥感图像建筑物提取具有覆盖面广、计算效率高等特点,在城市建设、防灾等方面发挥着重要作用。大多数主流方法使用多尺度特征融合,使神经网络能够学习更丰富的语义信息。然而,由于多尺度特征的复杂性和其他地物的干扰,这种方法往往会导致目标丢失和噪声密集。为此,本文提出了一种结合注意力机制的特征解释模型MGA-ResNet50(MGAR)。该方法的核心是利用多人注意处理高层语义信息的层次加权,从而提取出具有较好表示效果的最优特征组合。然后使用门控结构将每个维度的特征图与对应编码器的低层语义信息融合,以补偿局部建筑细节的丢失。在马萨诸塞大楼和WHU大楼等公共数据集上的实验结果表明,与RAPNet、GAMNet和GSM等更先进的多尺度特征融合方法相比,该算法可以实现更高的F1和IoU。
关键词: 深度学习, 建筑物提取, 多尺度特性, 多人关注, 浇口机构
CLC编号:
何晓辉、周涛、李潘乐、常静、李佳棉。基于多尺度注意的遥感图像建筑物提取研究[J]。计算机科学,2024,51(5):134-142。
0 / / 推荐
添加到引文管理器 尾注|样板客户经理|ProCite公司|BibTeX公司|参考Works
网址: https://www.jsjkx.com/EN/10.11896/jsjkx.230200134
https://www.jsjkx.com/EN/Y2024/V51/I5/134
引用