注意力引导轴心共享混合注意力(AGASMA)网络用于云分割和云阴影分割

云及其阴影的分割是遥感图像处理中的一项关键挑战。云及其阴影的形状、纹理、光照条件和背景影响云检测的有效性。目前，能够在整个信息提取过程中维持高分辨率的架构正在快速出现。这种并行架构结合了高低分辨率，生成详细的高分辨率表示，从而提高分割预测的准确性。本文继续高低分辨率的并行架构。在处理高分辨率和低分辨率图像时，本文采用结合Transformer和CNN模型的混合方法。这种方法促进了两个模型之间的交互，能够从图像中提取语义和空间细节。为了解决高分辨率和低分辨率图像之间融合不足和信息损失严重的问题，本文引入了一种基于ASMA（轴心共享混合注意力）的方法。该方法在高分辨率和低分辨率图像之间建立像素级依赖性，旨在增强图像融合的效率。此外，为了增强对遥感图像中关键信息的有效关注，本文引入了AGM（注意力引导模块），将原始特征中的注意力元素整合到ASMA中，以缓解自注意力机制的通道建模不足问题。我们在云和云阴影数据集、SPARCS数据集和CSWV数据集上的实验结果证明了我们方法的有效性，超过了云和云阴影分割的最新技术。