卫星图像分割--Effective Use of Dilated Convolutions for Segmenting Small Object Instances

论文链接： https://arxiv.org/abs/1709.00179

本文针对卫星图像中的小目标分割问题，通过空洞卷积构建网络

本文发现，空洞卷积卷积的简单应用并不总是提高性能，特别是，大量增加的膨胀因子不能聚集小对象的局部特征，这是内核权重间隔增加的副作用，即内核的稀疏性增加，这意味着，在分辨率和上下文方面，增加膨胀因子是重要的，但它可能会对内核的稀疏性产生不利影响如小物体。这对于遥感场景来说尤其不可取。虽然在现代视觉研究中，配备了越来越大的卷积的CNN都很流行，但对小物体的分割则需要解决。解决这个问题的方法就是 递减膨胀因子

为此提出LFE网络，网络结构如图所示

网络分为三个模块：

front-end 模块 提取覆盖大上下文的特征 扩展因子增加

           为了同时满足大的接收场和高的空间分辨率，采用了膨胀卷积[3]。膨胀卷积在保持分辨率的同时扩大了接收场。

膨胀卷积利用了特定的核函数，其核大小和稀疏权的间隔随膨胀因子呈指数增长，通过增加膨胀因子，接受场也以指数方式被大核扩展。虽然以前的工作通常在输出附近的几层中使用膨胀卷积，但我们采取了更激烈的方法。具体来说，我们消除了前端模块的所有次采样层，使用了膨胀卷积。虽然这对小型建筑是有效的，但是在膨胀的核中有两个关于稀疏性的问题：(1)相邻单元间的空间一致性变弱；(2)局部结构不能在较高层中提取。这个问题将在下一个模块中解决

对于小型对象，需要在较高层提取一些本地结构，因为需要识别大的上下文。然而，随着膨胀系数的增加，由于信息金字塔的不重叠，较高层无法提取局部结构。

lfe 模块 聚合前端模块分散的局部特征 扩展因子减小

为了解决这两个问题，我们提出了减少膨胀因子的局部特征提取模块(Lfe)，其主要思想是增加膨胀因子，如果在增加膨胀因子后附加具有较小膨胀因子的结构，则可以重新连接相邻单元的信息金字塔，从而逐渐恢复相邻单元之间的一致性，并在较高层提取局部结构。LFE模块被证明是有效的，特别是对于小型对象。

head模块 输出与输入相同分辨率的概率图

通过简单地对输出概率图进行阈值处理，获得单个对象实例的掩码建议。然后，对于每个掩码，计算一个对象得分作为掩码内概率值的平均值。

在所有的模型中，除最后一层外，其余的卷积层都是RELU激活的，最后一层是softmax层输出概率图，所有网络都采用76×76的输入块,16×16的中心区域输出概率图。