• 学术研究 • 下一篇
周珂, 常然然, 徐西志, 苗茹, 张广雨, 王嘉茜
ZHOU Ke, CHANG Ranran, XU Xizhi, MIAO Ru, ZHANG Guangyu, WANG Jiaqian
摘要: 由于复杂的光谱混合物、地物边界模糊、环境噪声等因素的共同作用,从高分辨率遥感图像中准确识别水体边界极具有挑战性。针对此问题,在PSPNet的基础上提出基于ConvNeXt与双特征提取分支的水体提取方法(CoNFM-Net)。在编码器阶段,以ConvNeXt代替Resnet50作为主干网络,利用逆瓶颈层、大卷积核等设计来增强网络的特征提取能力。在解码器阶段,设计了多尺度特征融合和上下文信息增强的双特征提取分支结构,多尺度特征融合分支为有效利用主干网络产生的多层次特征图,设计了一种双向特征融合模块(BiFMM),以解决边界识别中尺度不一致的问题;上下文信息增强分支为提高全局信息的利用率,将主干网络输出的深层特征图通过全局上下文信息获取模块(GCIM)。同时,将经过多尺度特征融合分支的最深层特征图与其进行拼接,增强模型对水体边界细节的捕捉能力。实验结果表明,该方法在LoveDA数据集、高分二号(GF-2)数据集及Sential-2数据集上的平均交并比和F1分数分别为89.64%、94.32%,92.60%、96.16%及93.72%、96.73%,且在同样环境下,与UNet、DANet、CMTFNet等语义分割算法相比,该算法CoNFM-Net具有一定优势。