MACU-Net-用于精细分辨率遥感图像语义分割网络

摘要：

在本文中我们结合了由不同层次的U-Net生成的多尺度特征，设计了一个多尺度跳跃连接和基于非对称卷积的网络--MACU-Net。

网络具有以下几个优点1）多尺度跳跃连接将低层和高层特征图中包含的语义特征结合并重新进行排列2）非对称卷积块增强了标准卷积层的特征表示和特征提取能力。

尽管UNet取得了较为不错的性能，但是信息流的利用不足阻碍了原始UNet的发展。

为了在降低计算成本的同时解决特征利用不足的问题，我们提出了带通道注意力块的多尺度跳过连接，将多尺度特征结合起来，自适应地调整通道特征。

本文利用一个非对称卷积块，通过增强中心交叉部分的权值来增强卷积层的表示能力非对称卷积块（ACB）包含正方形，水平和垂直核的分支，通过将三个分支的卷积输出加在一起，可以有效的捕获精细的特征，并且不增加计算复杂度

方法

本文提出的MACU-Net的结构图如下所示：

A：非对称卷积块-ACB

平方卷积核捕获比例不均匀的特征。更具体地说，中心交叉位置(即内核的骨架)上的权重具有更大的量级，而角落上的点对特征提取的贡献较少。因此，交叉样感受野可以减轻在捕获代表性特征时冗余信息的影响，如图2 (a)所示。