论文部分内容阅读
针对现有基于深度学习的语义分割方法对于遥感图像的地物边缘分割不准确、小地物分割效果差，以及光照条件差和恶劣的天气条件会导致RGB图像的质量下降，从而使现有方法的分割效果急剧下降的问题，本文提出了一种增强细节的RGB-IR多通道特征融合网络（MFFNet）来解决上述问题。首先，提出了细节特征抽取模块（DFE）来提取RGB图像和红外图像的细节特征信息并进行融合，以更深层次地加强和利用从RGB图像与红外图像提取的细节特征。然后，提出了特征融合注意力（FFA）模块，将这些细节特征在网络的上采样阶段进一步融合进高层语义特征中。同时，细节特征抽取模块和特征融合注意力模块之间的一一对应关系，加强了细节特征和高层语义特征的融合，抑制了干扰或无关细节信息的影响，突出重要的关键细节特征。最后，在公开的Postdam数据集上的实验结果表明，该方法的平均交并比为70.54%，与MFNet算法、RTFNet算法相比，分别提升了3.95%和4.85%，并且对于边缘和小地物的分割效果有非常显著的提升。