ABCNet：用于高分辨率遥感图像高效语义分割的注意力双边上下文网络

遥感图像的语义分割在环境变化监测、精准农业、环境保护和经济评估等许多现实应用中起着至关重要的作用。随着传感器技术的飞速发展，目前已有海量的高分辨率卫星和机载遥感图像，语义分割对这些图像而言是一种极具价值的方法。然而，由于空间分辨率不断提高所带来的丰富复杂性和信息异质性，最先进的深度学习算法通常采用复杂的网络结构进行分割，这往往会导致巨大的计算需求。特别是，常用的全卷积网络（FCN）严重依赖细粒度空间细节（高空间分辨率）和上下文信息（大感受野），这两者都带来了高昂的计算成本。这阻碍了 FCN 在现实应用中的实用性，尤其是那些需要实时数据处理的应用。在本文中，我们提出了一种新型的注意力双边上下文网络（ABCNet），这是一种具有空间路径和上下文路径的轻量级卷积神经网络（CNN）。包括全面消融研究在内的大量实验表明，与最先进的基准方法相比，ABCNet 具有强大的判别能力和具有竞争力的准确率，同时显著提高了计算效率。具体而言，所提出的 ABCNet 在 Potsdam 测试数据集上达到了 91.3% 的总体准确率（OA），且显著优于所有轻量级基准方法。代码可在 https://github.com/lironui/ABCNet 免费获取。