语义分割论文阅读笔记1

A deep learning method for optimizing semantic segmentation accuracy of remote sensing images based on improved UNet，2023，Q1

论文地址

摘要

遥感图像 (RSI) 的语义分割在许多领域都至关重要，因为 RSI 包含不同的景观和不同大小的地理对象，这使得语义分割具有挑战性。本文提出了一种称为自适应特征融合UNet（AFF-UNet）的卷积网络来优化语义分割性能。该模型具有三个关键方面：（1）密集跳跃连接架构和自适应特征融合模块，自适应地权衡不同级别的特征图以实现自适应特征融合，（2）通道注意卷积块，使用定制配置获取不同通道之间的关系，（3）获得不同位置之间关系的空间注意模块。 AFF-UNet 在两个公共 RSI 数据集上进行了评估，并与其他模型进行了定量和定性比较。 Potsdam数据集的结果表明，所提出的模型在平均F1分数方面比DeepLabv3+提高了1.09%，在总体精度方面提高了0.99%。视觉定性结果还证明了对象类混乱的减少、分割不同大小的对象类的更好性能以及更好的对象完整性。因此，所提出的AFF-UNet模型优化了RSI语义分割的准确性。

引入

随着一些创新作品（即Relu、Dropout 、Batch Norm和ResNet）的应用，卷积神经网络（CNN）在计算机视觉领域取得了很大的成功。 CNN逐渐应用于RSI语义分割任务中，以提高对象提取的准确性。基于 CNN 的分割模型通常使用堆叠卷积