2023.4电脑编程技巧与维护1概述在语义分割[1]的作用下，计算机智能系统能够更好地对自然场景进行分析。通用的一系列语义分割算法在不同数据集的应用效果上存在一定的改进空间。例如，遥感影像会因为分辨率低、图像存在噪声等干扰信息而对一些小目标分割任务呈现特征提取能力不足、分割不精确等问题，这是语义分割领域需要解决的问题。传统的语义分割算法对于如今大量低分辨率的无人机遥感影像来说，存在达不到理想效果的可能，例如，用于生物医学图像分割的卷积网络[2]（UNet）等编解码结构的分割算法，通过跳跃链接恢复了图像下由于采样过深而丢失的一些细节信息，但在一些小目标上的应用结果容易出现问题；深度卷积网系列网络（Deeplab）、金字塔场景分析网络[3]（PSPNet）等利用空间金字塔池化的改进来增大感受野或者融合不同尺度的特征图，从而提取多尺度的目标信息，但可能存在对于一些长条形目标分割效果差的问题。条形池化网络[4]（SPNet）在PSPNet算法的基础上，通过引入条形池化捕获远程空间的依赖关系并提高利用通道间依赖的能力，但是在应用于遥感无人机等图像时，对于一些小目标仍然达不到很好的效果。针对这些问题，基于SPNet算法提出了融合挤压及激励（SE）模块和瓶颈注意模块（BAM）的SPNet算法，以实现对小目标的分割。2经典语义分割方法深度学习发展至今，涌现出一批经典的语义分割方法，虽然现在很多方法已经被新的方法替代，但它们的架构仍然在很多方法中得到体现。用于图像分割的深度卷积编码器-解码器架构（SegNet）与完全卷积网络[5]（FCN）思路非常相似，只是在编解码器结构使用的技术上有区别。SegNet以视觉几何组网络（VGG16）为基础框架，编码层则使用了VGG16的前13层卷积网络，去掉了全连接层，使每个编码器层都对应着一个解码器层，从而构建了对称的模型。UNet由于其简单、常用的模型结构被广泛应用于语义分割的各领域，其思路高效、易懂并容易搭建，成为初学者学习的经典方法之一。在特征融合方式上，FCN使用以对应像素点相加的方式，只是像素点上的数值发生变化，不会形成更厚的特征；UNet使用拼接的方式，将特征图以通道维度拼接在一起，形成更大的通道维度。PSPNet通过聚合不同区域的语境，使模型能够理解全局上下文信息。利用全局信息可以有效地在场景分析任务中生成高质量的结果。PSPNet为像素级预测提供了一个不错的框架，并在各种数据集上表现出优秀的性能。Deeplab系列是基于卷积神经网络[6]（CNN）开发的语...
