【论文阅读】HBSeNet：一种用于遥感图像精确语义分割的混合双边网络

HBSeNet: A Hybrid Bilateral Network for AccurateSemantic Segmentation of Remote Sensing Images
原文：https://ieeexplore.ieee.org/abstract/document/10621598
源码：暂无
刊物：TGRS 2024

网络结构

引入了一种混合双边分割混合网络，受到双路径网络模型替代传统的单分支的解码-编码架构启发，以上下文路径和空间路径相结合的思想构建模型，优化遥感图像分割的精度和复杂度。网络中创新设计了辅助模块，例如顺序空洞卷积、信息核查模块和，用于高效的多尺度特征提取、融合和集成。在ISPRS Potsdam数据集，92.04%全局准确率，平均交并集（mean IoU）83.57%，F1得分90.23%，超过了DeepLabV3+、SwinCNN和ST-UNet等最先进的分割模型。
核心贡献：
1、提出了一种用于遥感予以分割的混合双边分割网络（HBSeNet），该网络具有空间路径和上下文协调的密集连接顺序结构；
2、空间路径：在先进结构连接中利用空洞卷积在保持模型效率的同时最大限度的提取信息；
3、通过集成有效的辅助模块增强常规编码-解码结构，建立了一个组织良好的上下文路径，并且增强了上下文学习能力；
4、在数据集上取得了优异的性能，证明了网络结构的有效性。

空间路径

空洞卷积常用于扩大模型的感受野，提高模型性能，但在高层次抽象特征的特征图小于卷积核的感受野，导致潜在的不必要的冗余权重；空洞卷积另一种是空间金字塔池化模块ASPP，采用不同尺寸的空洞卷积，获取不同感受野下的特征图并将其融合，大感受野的卷积核和小感受野卷积核中的相关信息不能相互利。
因此，设计了顺序的空洞卷积sequential atrous convolution (SAC)，有别于ASPP中的并行空洞卷积。

上下文路径

提出了一种基于ResNet50的创新上下文路径作为主干，去除了ResNet50最后一个阶段以保持特征图的分辨率，减少可训练参数的数量。
ISM信息融合模块
合并来自主干网络中不同阶段的信息，从而促进对来自不同上下文信息的上采样过程
Bridge
在编码器的最后一次和解码器连接用于增强信息合成。采用一个简单的桥连接结构，只包含两个具有不同感受野的卷积层，应用于相同的特征映射。

精度