SAR 및 광학 이미지를 사용한 토지 피복 분류를 위한 대칭 주의가 포함된 다중 스케일 특징 융합 네트워크

SAR 및 광학 이미지의 보완적 특성은 토지 피복 분류의 정확성을 개선하는 데 유익합니다. 딥러닝 기반 모델은 일부 주목할 만한 결과를 달성했습니다. 하지만 픽셀 수준 분류를 위해 다중 모달 이미지의 고유한 특징을 효과적으로 추출하고 융합하는 방법은 여전히 도전 과제가 남아있습니다. 이 기사에서는 사전 훈련된 백본 없이 두 개의 분기 감독 의미 분할 프레임워크를 제안합니다. 구체적으로, 개선된 스트립 풀링을 갖춘 새로운 대칭 주의 모듈이 설계되었습니다. 여러 긴 수용 필드는 불규칙한 객체를 더 잘 인식하고 더 많은 비등방성 맥락 정보를 얻을 수 있습니다. 동시에 서로 다른 모달리티의 의미 부재 및 불일치를 해결하기 위해, 우리는 공중 공간 피라미드 풀링, 가변 크기 합성곱 및 스킵 연결로 구성된 다중 스케일 융합 모듈을 구성합니다. 역전파를 제약하고 클래스 불균형의 영향을 줄이기 위해 공동 손실 함수를 도입합니다. DFC2020 및 WHU-OPT-SAR 데이터 세트에서 검증 실험이 수행되었습니다. 제안된 모델은 OA, Kappa 및 mIoU 측정값에서 최고의 정량적 값을 달성했으며, 클래스 정확성도 뛰어났습니다. 언급할 만한 것은 이 방법의 매개 변수 수와 계산 복잡성이 상대적으로 낮다는 것입니다. 모델의 적응력은 RGB-열 분할 작업에서 검증되었습니다.