基于边界感知的多尺度特征增强方法的少样本高光谱图像语义分割

《Remote Sensing》：Boundary-Aware Multi-Scale Feature Enhancement Based Few-Shot Hyperspectral Image Semantic Segmentation

　　

摘要

为了解决在遥感高光谱图像的语义分割任务中，模型在样本稀缺情况下过拟合以及对于细长物体分割性能不佳的问题，本文提出了一种高光谱图像语义分割框架，该框架在极少的样本条件下整合了边缘感知和多尺度特征增强技术。该架构有效结合了正交方向卷积、细长特征增强、多尺度特征融合以及深度监督机制，解决了提取细长物体特征困难、样本不足时模型过拟合以及泛化能力不足等问题。在多个公共数据集上的实验结果表明，仅使用每个标记类别的一个小样本，所提出的算法就能实现优异的分割性能，超越了现有的流行算法，从而证明了该算法的有效性和优越性。在PaviaU数据集上，整体准确率（OA）和平均交并比（mIoU）分别提高了约9.7%和15.5%；特别是在对关键细长特征“道路”的分割中，交并比达到了94.75%，凸显了所提出机制的有效性。本文为在样本稀缺条件下对高光谱图像进行精细解释提供了一种新颖且高效的解决方案。