1、原文
SMAF-Net: Sharing Multiscale Adversarial Feature for High-Resolution Remote Sensing Imagery Semantic Segmentation
https://ieeexplore.ieee.org/document/9154568/
2、摘要
高分辨率遥感影像(HRSI)的语义分割是遥感分析中的一项主要任务。尽管基于深度卷积神经网络(DCNN)的语义分割模型在逐像素分类方面具有强大的能力,但由于地理对象在HRSI中具有不同尺度和不同分布的特征,它们在获得语义间连续性和边界外精度方面仍然面临挑战。受迁移学习的启发,在本研究中,我们提出了一种名为SMAF-Net的高效语义分割框架,它将多尺度对抗性特征共享为U形语义分割模型。具体来说,它使用从训练有素的生成对抗网络中获得的多尺度对抗特征表示来掌握像素相关性,并进一步提高多尺度地理对象的边界精度。Potsdam和Vaihingen数据集的比较实验表明,所提出的框架可以在HRSI的语义分割方面取得相当大的改进。
3、正文
--------------------------------------------------------------------------
-----------------------------------------------------------------
--------------------------------------------------------------
-----------------------------------------------------------
4、结论
在这项研究中,我们提出了一个名为SMAF-Net的语义分割模型,它具有多尺度对抗特征。它通过将通过多尺度对抗学习获得的边界和多尺度特征与语义分割骨干网络获得的语义特征相结合,对HRSI进行语义分割。实验结果表明,当多尺度对抗性特征共享时,分割边界可以得到改善。SMAF-Net策略可以轻松灵活地迁移到不同的语义分割主干模型中,以实现效果提升。在多尺度对抗特征训练中,需要依次训练本研究中使用的pix2pixHD生成器的两个子网工作,这需要双倍的时间来学习基于样本数据的特征分布,以提高生成图像的清晰度和分辨率.因此,我们计划修改GAN的结构,使其可以降低时间成本,同时保持对抗性特征的良好表示能力。此外,鉴于对抗性特征融合的灵活性,我们将其引入分类和目标检测任务中,作为进一步观察其性能的通用方式。