7.HSENet
1.研究背景:
基于CNN的方法可以从大量低分辨率和高分辨率的方法中学习强大的特征表示,针对于遥感图像来说,图像本身内部会出现许多相似的地面目标,无论是在同一尺度内,还是在不同尺度之间。
2.存在问题:
遥感图像的内部递归的特殊性可以用于学习更强的特征表示,但是传统CNN网络没有进行针对性的设计利用。
3.改进思索:
同尺度或不同尺度的一些遥感图像补丁具有相似的外观,例如边缘和纹理,可以将此属性应用到SR方法中以提高超分辨性能,实现同时利用单尺度和跨尺度的相似度的针对遥感图像的CNN网络。
4.解决方案:
浅层特征提取部分:只使用一个核3 × 3的卷积层CSF来获得浅层特征。
深层特征提取部分:利用n个BM模块来利用图像的自相似性来学习更强大的特征表示。
重建部分:用亚像素卷积完成上采样。
![](https://img-blog.csdnimg.cn/img_convert/f564111b88829cb125e9010a9235f57a.png)
HSEM:
通过使用两个SSEM和下采样操作完成对两个尺度支路特征的注意力实现,再通过CCS里的ANLB来利用两组不同尺度的遥感图像之间的相关性,整体使用残差连接。
![](https://img-blog.csdnimg.cn/img_convert/319d9951b52edb9b360c6fa6808f79c6.png)
SSEM: 在主分支中,利用两个卷积层提取更高级别的特征,在注意分支中使用NLB加卷积和sigmoid归一化,最后两条路相乘完成主分支上自适应地重新缩放特征,并使用了整体残差连接。
![](https://img-blog.csdnimg.cn/img_convert/435c5f69ae487afc6bf5819354458414.png)
5.成果对比:
![](https://img-blog.csdnimg.cn/img_convert/5876e8e2d0053f0eaa1f557039dce565.png)
![](https://img-blog.csdnimg.cn/img_convert/f5ac22e6b5a77656de110f503e382054.png)
![](https://img-blog.csdnimg.cn/img_convert/27aa1d6ab10f6a5608f46bec5de213b5.png)
6.特点总结:
1. 引入了单尺度自相似度开发模块(SSEM)来计算同一尺度图像内的特征相关性。
2. 设计了一个跨尺度连接结构(CCS)来捕获不同尺度的递归。
3. 将SSEM和CCS相结合,进一步开发了混合尺度的自相似度开发模块(HSEM)来构建最终的HSENet。
4. 利用了遥感图像单尺度和跨尺度的相似度。