留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

一种结合上下文与边缘注意力的SAR图像海陆分割深度网络方法

梁烽 张瑞祥 柴英特 陈金勇 茹国宝 杨文

梁烽, 张瑞祥, 柴英特, 陈金勇, 茹国宝, 杨文. 一种结合上下文与边缘注意力的SAR图像海陆分割深度网络方法[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20210078
引用本文: 梁烽, 张瑞祥, 柴英特, 陈金勇, 茹国宝, 杨文. 一种结合上下文与边缘注意力的SAR图像海陆分割深度网络方法[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20210078
LIANG Feng, ZHANG Ruixiang, CHAI Yingte, CHEN Jinyong, RU Guobao, YANG Wen. A Sea-Land Segmentation Method for SAR Images Using Context-aware and Edge Attention based CNNs[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210078
Citation: LIANG Feng, ZHANG Ruixiang, CHAI Yingte, CHEN Jinyong, RU Guobao, YANG Wen. A Sea-Land Segmentation Method for SAR Images Using Context-aware and Edge Attention based CNNs[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210078

一种结合上下文与边缘注意力的SAR图像海陆分割深度网络方法

doi: 10.13203/j.whugis20210078
基金项目: 

国家自然科学基金(61771351);中国电子科技集团航天信息应用技术重点实验室开放基金(SXX19629X060)

详细信息
    作者简介:

    梁烽,博士生,主要从事遥感图像智能解译方面的研究。fengliang_ie@whu.edu.cn

  • 中图分类号: TP751;P237

A Sea-Land Segmentation Method for SAR Images Using Context-aware and Edge Attention based CNNs

Funds: 

The National Natural Science Foundation of China (61771351)

  • 摘要: 海陆分割对于SAR (Synthetic Aperture Radar)图像海洋目标检测、海岸线提取等任务具有重要意义。针对实际应用中多分辨率SAR图像海陆分割难题,本文提出了一种基于上下文与边缘注意力的海陆分割方法。该方法利用通道注意力机制融合不同尺度和层次的上下文特征,并设计了一个边缘提取支路提供边缘信息,进一步提高了海陆边界的分割准确率。同时,构建了一个基于高分三号卫星数据的多分辨率SAR图像海陆分割数据集,该数据集涵盖了多个分辨率,包括港口、岛屿等多种海陆边界类型。实验结果表明,本文提出的网络在平均分类准确率和平均交并比两个指标上分别达到了98.18%和96.41%,能够较好地完成海陆分割任务。
  • [1] (李鹏, 普思寻, 李振洪, 等. 2000年以来胶州湾海岸线光学与SAR多源遥感变化监测研究[J]. 武汉大学学报·信息科学版, 2020, 45(9):1485-1492)

    Li Peng, Pu Sixun, Li Zhenhong, et al. Coastline Change Monitoring of Jiaozhou Bay from Multi-Source SAR and Optical Remote Sensing Images since 2000[J]. Geomatics and Information Science of Wuhan University, 2020, 45(9):1485-1492
    [2] Wang D, Cui X R, Xie F Y, et al. Multi-Feature Sea-Land Segmentation Based on Pixel-Wise Learning for Optical Remote-Sensing Imagery[J]. International Journal of Remote Sensing, 2017, 38(15):4327-4347
    [3] Cheng D C, Meng G F, Cheng G L, et al. SeNet:Structured Edge Network for Sea-Land Segmentation[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(2):247-251
    [4] He L Y, Xu Q Z, Hu H M, et al. Fast and accurate sea-land segmentation based on improved SeNet and coastline database for large-scale image[C]//2018 Fifth International Workshop on Earth Observation and Remote Sensing Applications (EORSA). Xi'an, China. 2018:1-5
    [5] Chu Z Q, Tian T, Feng R Y, et al. Sea-land segmentation with res-UNet and fully connected CRF[C]//IGARSS 2019-2019 IEEE International Geoscience and Remote Sensing Symposium. Yokohama, Japan. 2019:3840-3843
    [6] Shamsolmoali P, Zareapoor M, Wang R L, et al. A Novel Deep Structure U-Net for Sea-Land Segmentation in Remote Sensing Images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2019, 12(9):3219-3232
    [7] Cui B G, Jing W, Huang L, et al. SANet:A Sea-Land Segmentation Network via Adaptive Multiscale Feature Learning[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 14:116-126[LinkOut]
    [8] Liu Z L, Li F, Li N, et al. A Novel Region-Merging Approach for Coastline Extraction from Sentinel-1A IW Mode SAR Imagery[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(3):324-328
    [9] Sheng G F, Yang W, Deng X P, et al. Coastline Detection in Synthetic Aperture Radar (SAR) Images by Integrating Watershed Transformation and Controllable Gradient Vector Flow (GVF) Snake Model[J]. IEEE Journal of Oceanic Engineering, 2012, 37(3):375-383
    [10] Shelhamer E, Long J, Darrell T. Fully convolutional networks for semantic segmentation[C]//IEEE Transactions on Pattern Analysis and Machine Intelligence.:640-651
    [11] Noh H, Hong S, Han B. Learning deconvolution network for semantic segmentation[C]//2015 IEEE International Conference on Computer Vision. Santiago, Chile. 2015:1520-1528
    [12] Ronneberger O, Fischer, Brox T. U-Net:Convolutional Ntworks for Biomedical Image Segmentation[C]. International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer, Cham, 2015:234-241
    [13] Chen L C, Papandreou G, Kokkinos I, et al. Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFS[EB/OL]. 2014:arXiv:1412.7062. https://arxiv.org/abs/1412.7062
    [14] Chen L C, Papandreou G, Kokkinos I, et al. DeepLab:Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFS[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018, 40(4):834-848
    [15] Chen, L C, Papandreou G, Schroff F, et al. Rethinking Atrous Convolution for Semantic Segmentation Image Segmentation[OL]. https://arxiv.org/abs/1706.05587v2, 2017
    [16] Zhao H, Shi J, Qi X, et al. Pyramid Scene Parsing Network[C]. Proceedings the IEEE Conference on Computer Vision and Pattern Recognition, Honolulu, USA, 2017:6230-6239
    [17] Cheng W, Yang W, Wang M, et al. Context Aggregation Network for Semantic Labeling in Aerial Images[J]. Remote Sensing, 2019, 11(10):1158-1176.
    [18] He K, Zhang X, Ren S, et al. Deep Residual Learning for Image Recognition[C]. Proceedings of the IEEE Conference on Computer Vision & Pattern Recognition. Las Vegas, America, 2016:770-778.
    [19] Chen L C, Zhu Y K, Papandreou G, et al. Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation[M]//Computer Vision – ECCV 2018. Cham:Springer, 2018:833-851
  • [1] 孙一帆, 余旭初, 谭熊, 刘冰, 高奎亮.  面向小样本高光谱影像分类的轻量化关系网络 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20210157
    [2] 张红伟, 杜清运, 陈张建, 张琛.  一种使用RoBERTa-BiLSTM-CRF的中文地址解析方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20210112
    [3] 周中正, 许才军, 刘洋, 熊露雲.  岗纳楼冰川表面流速时空变化特征提取及分析 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200133
    [4] 眭海刚, 黄立洪, 刘超贤.  利用具有注意力的Mask R-CNN检测震害建筑物立面损毁 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200158
    [5] 徐川, 华凤, 眭海刚, 陈光.  多尺度水平集SAR影像水体自动分割方法 . 武汉大学学报 ● 信息科学版,
    [6] 刘康, TimoBalz, 廖明生.  利用后向散射特性从高分辨率SAR影像中提取建筑物高度 . 武汉大学学报 ● 信息科学版,
    [7] 李平湘, 邓少平, 张继贤, 杨杰.  利用自适应最优极化对比增强检测SAR影像边缘 . 武汉大学学报 ● 信息科学版,
    [8] 汪长城, 廖明生.  一种多孔径SAR图像目标检测方法 . 武汉大学学报 ● 信息科学版,
    [9] 张帆, 黄先锋, 李德仁, 张璇.  基于直线感知增强的边缘提取算法 . 武汉大学学报 ● 信息科学版,
    [10] 徐新, 王雁, 陈嘉宇, 孙洪.  基于小波系数统计特征的SAR图像恢复 . 武汉大学学报 ● 信息科学版,
    [11] 潘励, 张志华, 张剑清.  融合区域分割和边缘信息的居民地提取方法 . 武汉大学学报 ● 信息科学版,
    [12] 李陶, 刘经南, 廖明生.  重复轨道差分干涉测量参数模型的建立 . 武汉大学学报 ● 信息科学版,
    [13] 方圣辉, 佃袁勇, 李微.  基于边缘特征的变化检测方法研究 . 武汉大学学报 ● 信息科学版,
    [14] 傅仲良, 李勇.  基于梯度幅度直方图和类内方差的边缘提取方法 . 武汉大学学报 ● 信息科学版,
    [15] 刘楠, 舒宁.  基于光谱空间密度分析的边缘提取 . 武汉大学学报 ● 信息科学版,
    [16] 徐新, 廖明生, 朱攀, 卜方玲.  单视数SAR图像Speckle滤波方法的研究 . 武汉大学学报 ● 信息科学版,
    [17] 仇彤, 张祖勋.  基于松弛法的影像边缘提取 . 武汉大学学报 ● 信息科学版,
    [18] 高贤君, 冉树浩, 张广斌, 杨元维.  基于多特征融合与对象边界联合约束网络的建筑物提取 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20210520
    [19] 韦豪东, 易尧华, 余长慧, 林立宇.  融合注意力与序列单元的文本超分辨率 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20220158
    [20] 任诗曼, 朱军, 方铮, 李闯农, 梁策, 谢亚坤, 李维炼, 张天奕.  联合多尺度注意力机制与边缘约束的SPOT7影像林地提取方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20210251
  • 加载中
计量
  • 文章访问数:  300
  • HTML全文浏览量:  66
  • PDF下载量:  26
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-02-12
  • 网络出版日期:  2022-03-31

一种结合上下文与边缘注意力的SAR图像海陆分割深度网络方法

doi: 10.13203/j.whugis20210078
    基金项目:

    国家自然科学基金(61771351);中国电子科技集团航天信息应用技术重点实验室开放基金(SXX19629X060)

    作者简介:

    梁烽,博士生,主要从事遥感图像智能解译方面的研究。fengliang_ie@whu.edu.cn

  • 中图分类号: TP751;P237

摘要: 海陆分割对于SAR (Synthetic Aperture Radar)图像海洋目标检测、海岸线提取等任务具有重要意义。针对实际应用中多分辨率SAR图像海陆分割难题,本文提出了一种基于上下文与边缘注意力的海陆分割方法。该方法利用通道注意力机制融合不同尺度和层次的上下文特征,并设计了一个边缘提取支路提供边缘信息,进一步提高了海陆边界的分割准确率。同时,构建了一个基于高分三号卫星数据的多分辨率SAR图像海陆分割数据集,该数据集涵盖了多个分辨率,包括港口、岛屿等多种海陆边界类型。实验结果表明,本文提出的网络在平均分类准确率和平均交并比两个指标上分别达到了98.18%和96.41%,能够较好地完成海陆分割任务。

English Abstract

梁烽, 张瑞祥, 柴英特, 陈金勇, 茹国宝, 杨文. 一种结合上下文与边缘注意力的SAR图像海陆分割深度网络方法[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20210078
引用本文: 梁烽, 张瑞祥, 柴英特, 陈金勇, 茹国宝, 杨文. 一种结合上下文与边缘注意力的SAR图像海陆分割深度网络方法[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20210078
LIANG Feng, ZHANG Ruixiang, CHAI Yingte, CHEN Jinyong, RU Guobao, YANG Wen. A Sea-Land Segmentation Method for SAR Images Using Context-aware and Edge Attention based CNNs[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210078
Citation: LIANG Feng, ZHANG Ruixiang, CHAI Yingte, CHEN Jinyong, RU Guobao, YANG Wen. A Sea-Land Segmentation Method for SAR Images Using Context-aware and Edge Attention based CNNs[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210078
参考文献 (19)

目录

    /

    返回文章
    返回