GCM+ LANet：遥感图像语义分割的全局卷积与局部注意力网络

"GCM_+-LANet：全局卷积模块与局部注意力网络模型，用于遥感图像语义分割的研究论文，作者翁梦倩等人，发表于《遥感技术与应用》2022年第37卷第4期，介绍了GCM+模块和LANet模型的改进，以提高对遥感图像中不同尺寸地物目标的分割效果。" 本文主要探讨了遥感图像语义分割领域的挑战以及一种新的解决方案——GCM_+-LANet模型。遥感图像的特点包括地物种类多样、尺寸变化大、分布不均以及复杂的背景，这些因素使得传统的图像语义分割方法在处理遥感图像时面临困难。为了解决这些问题，作者提出了一个结合全局卷积模块（GCM+）和局部注意力网络模型（LANet）的深度学习架构。 LANet在遥感图像语义分割中已经显示出一定的优势，但它在处理大尺寸、小尺寸和细长地物目标时表现不足。GCM+模块是为了解决这一问题而设计的，它通过组合卷积的方式增大感受野，有助于提升对大尺寸地物目标的分割精度。此外，作者还引入了FunnelReLU（FReLU）激活函数，这是一种针对计算机视觉任务设计的新型激活函数，旨在减少细小目标的漏分现象，从而改善分割网络对小目标的识别能力。 实验部分，该网络模型在Potsdam数据集上的表现显著优于基础的LANet网络，平均交并比（IoU）达到了75.83%，像素准确率达到了94.95%，这表明GCM_+-LANet模型对于提高遥感图像语义分割的准确性具有显著效果。 关键词涵盖了遥感图像处理的核心概念，包括语义分割、全局卷积模块、局部注意力网络模型以及激活函数。这些关键词反映了研究的重点，即如何利用深度学习技术改进遥感图像的地物识别与分割。 这篇论文提供了一种创新的深度学习方法，通过结合全局和局部策略，提升了遥感图像语义分割的性能，尤其在处理不同尺度地物目标时表现出色。这项工作对于遥感图像分析和计算机视觉领域的研究具有重要的参考价值。