TCSVT 2024 | 用于遥感图像语义分割的双路径特征感知网络

主要观点总结

本文介绍了名为Dual-Path Feature Aware Network for Remote Sensing Image Semantic Segmentation的论文，该论文提出了一种结合Swin Transformer和CNN的双路径网络结构，用于遥感图像的语义分割。论文的创新点包括构建双路径网络结构、研发自适应特征融合模块、采用边缘优化模块以及设计联合损失函数。文章还详细介绍了方法整体结构、自适应特征融合、边缘优化等内容，并通过实验验证了所提出网络的有效性。

关键观点总结

关键观点1: 论文提出双路径特征感知网络（DPFANet），结合Swin Transformer和CNN构建双路径结构，直接学习全局和局部上下文特征。

DPFANet能够获取更具区分性的语义信息，对于遥感图像的语义分割有重要意义。

关键观点2: 研发自适应特征融合（AFF）模块，采用交叉注意力机制融合双路径网络的特征，能自适应地学习更高质量的特征，同时忽略噪声。

AFF模块结合了局部和全局信息表达能力，使得模型能够同时处理局部和全局特征，提高分割性能。

关键观点3: 采用边缘优化模块（EOB）来约束边缘特征，增强不同类别之间边缘的分割性能，改善分割效果。

EOB模块通过二分类处理，能够提取有效的边缘信息，提高模型的分割精度。