作物遥感图像语义分割新模型CRNet：融合类别关系解决类别不平衡问题

本文主要探讨了"加强类别关系的农作物遥感图像语义分割"这一主题，由董荣胜等人在《中国图象图形学报》上发表。农作物遥感图像分析在农业规划、植被监测及农用地管理等领域具有关键作用，但这类图像常常面临类别不平衡问题，即各类作物之间的相似度高而类内差异大，这使得准确的语义分割变得更为困难。 为解决这一挑战，研究人员提出了CRNet（Class Relation Network），一个创新的深度学习模型。CRNet的核心是基于ResNet-34的编码器，它能够提取丰富的图像特征，并通过特征金字塔结构整合高阶的语义信息和低阶的空间细节，增强了网络处理图像细微变化的能力。 关键创新在于引入了类别关系模块，用于捕捉不同尺度的类别关联。作者设计了一种新颖的类别特征加强注意力机制（CFE），结合通道注意力和增强位置信息的空间注意力，以此增强作物类别间的语义区分度和类内相关性。这种方法有助于更好地识别和区分相似作物类别，提高分割精度。 在解码阶段，CRNet有效地融合了多尺度的类别关系，进一步提升了网络对不同类型作物的适应性和识别能力。整个模型的性能在预印本日期为2021年11月15日之前得到了优化，通过了国家自然科学基金项目(62062029, 61762024)和广西自然科学基金项目的资助。 该研究的目的是通过CRNet改进农作物遥感图像的语义分割，从而提升农业管理的精确性和效率，对于遥感技术在农业领域的应用具有重要意义。文章的最终成果以引用格式给出，可供相关领域的研究人员参考和进一步研究。