دانلود ترجمه مقاله شبکه چندتوجهی برای بخش بندی معنایی تصاویر سنجش از دور

1. مقدمه 2. کارهای مرتبط 3. روش تحقیق 4. مجموعه داده و محیط تجربی 5. نتایج تجربی و تجزیه و تحلیل 6. نتیجه گیری

چکیده – بخش بندی معنایی تصاویر سنجش از دور نقش مهمی در طیف وسیع کاربردها، از جمله مدیریت منابع زمین، نظارت بر بیوسفر و برنامه ریزی شهری ایفا می کند. اگرچه دقت بخش بندی معنایی در تصاویر سنجش از دور توسط شبکه های عصبی کانولوشنال عمیق بطور قابل توجهی افزایش یافته است، محدودیت های متعددی در مدلهای استاندارد وجود دارد. اولا، برای معماریهای رمزگذار-رمزگشا همچون U-Net، کاربرد ویژگیهای چند مقیاسی باعث استفاده کم از اطلاعات می‌شود، یعنی خصوصیات سطح پایین و سطح بالا بدون هیچ گونه اصلاحی به هم پیوسته اند. دوما، وابستگیهای گسترده نقشه های خصوصیات به اندازه کافی کاوش نشده‌اند، که این نیز به نمایش خصوصیات غیربهینه مرتبط با هر کلاس معنایی منجر می‌شود. سوما، حتی اگر مکانیسم توجه نقطه-محصول در بخش بندی معنایی جهت مدلسازی وابستگیهای دوربرد معرفی و استفاده شده باشد، نیازهای بالای زمانی و مکانی توجه، مانع از کاربرد واقعی توجه در سناریوهای کاربردی با ورودی مقیاس بزرگ می‌شود. برای حل مسائل مطرح، این مقاله یک شبکه چندتوجهی (MANet) از طریق استخراج وابستگی‌های متنی توسط ماژول‌های توجه کارآمد چندگانه پیشنهاد می کند. برای کاهش نیازهای زیاد محاسباتی توجه، مکانیسم جدید توجه هسته با پیچیدگی خطی پیشنهاد شده است. بر اساس توجه هسته و توجه کانال، نقشه خصوصیات محلی استخراجی توسط ResNet-50 را با وابستگیهای متناظر آنها ادغام می‌کنیم و نقشه‌های کانال وابسته به یکدیگر را توزین می کنیم. آزمایش‌های عددی بر روی دو مجموعه داده سنجش از دور با وضوح خوب در مقیاس بزرگ، عملکرد برتر MANet پیشنهادی را نشان می‌دهد.

Semantic segmentation of remote sensing images plays an important role in a wide range of applications, including land resource management, biosphere monitoring, and urban planning. Although the accuracy of semantic segmentation in remote sensing images has been increased significantly by deep convolutional neural networks, several limitations exist in standard models. First, for encoder–decoder architectures such as U-Net, the utilization of multiscale features causes the underuse of information, where low-level features and high-level features are concatenated directly without any refinement. Second, longrange dependencies of feature maps are insufficiently explored, resulting in suboptimal feature representations associated with each semantic class. Third, even though the dot-product attention mechanism has been introduced and utilized in semantic segmentation to model long-range dependencies, the large time and space demands of attention impede the actual usage of attention in application scenarios with large-scale input. This article proposed a multiattention network (MANet) to address these issues by extracting contextual dependencies through multiple efficient attention modules. A novel attention mechanism of kernel attention with linear complexity is proposed to alleviate the large computational demand in attention. Based on kernel attention and channel attention, we integrate local feature maps extracted by ResNet-50 with their corresponding global dependencies and reweight interdependent channel maps adaptively. Numerical experiments on two large-scale fine-resolution remote sensing datasets demonstrate the superior performance of the proposed MANet.

ترجمه این مقاله در 25 صفحه آماده شده و در ادامه نیز صفحه 23 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.