3月30日，我院卢霞教授指导的研究生何爽的一项研究成果“RSI-Net: Two-Stream Deep Neural Network for Remote Sensing Images-Based Semantic Segmentation”在国际期刊《IEEEAccess》(2022年第10卷，SCI,Q2,IF:3.367)发表。

研究成果简介：

为了提高相邻土地覆盖之间相关性的可区分性并处理高分辨率遥感图像中的边界模糊，本研究实现了一种新的基于端到端的双流图卷积遥感图像语义分割网络模型。首先，基于图的编码器构建地物间像素-超像素依赖关系图，并传播节点定位和特征信息，以扩大遥感影像中地物间差异性。其次，考虑到相同地物的大小、形状千变万化，引入密集连接的空洞卷积神经网络和金字塔结构提取影像中全局与局部的上下文特征信息，以缩小地物类内相似性，进而提取更鲁棒的高层语义特征。最后，针对出现的错分漏分、边界分割粗糙等问题，设计多层级特征融合，综合利用各级信息，提高遥感影像语义分割效果。

研究意义：

随着遥感探测技术与航空科技的快速发展，包含丰富地物信息的遥感影像数据规模日益猛增，对浩如烟海的遥感影像数据的解译成为了当前的热点、难点问题。语义分割作为一种重要的图像内容解析方法，一直是遥感影像数据的一个重要研究方向。传统的遥感影像处理手段，依赖于较强的专业知识和数据特征本身，需要消耗大量的人力和时间，存在遥感影像目标提取中定位精度低、边缘分割不准确等问题。与传统的遥感影像解译技术相比，深度学习技术为遥感图像的解析和处理带来新变革，但由于卷积核固有的特点，对描述关系的图数据难以获得有效地适配。图卷积神经网络很好地填补了卷积核对于关系处理技术上的空白，实现图数据与深度学习技术有效结合。

成果创新点：

（1）改进经典的基于编码器-解码器模型的遥感图像语义分割算法，设计出一种“双流的混合卷积神经网络编解码模型”；

（2）利用多尺度的非线性卷积来扩大感受野，以提高学习局部信息和相关性的能力，从而捕获更多的边界相关的语义信息；

（3）新颖的融合解码器结合了高级和低级以及图级特征，实现了融合的解码器包含了高、低层次以及图层面的特征，改善语义分割性能。

该研究得到了国家自然科学基金项目(41506106)和江苏省重点学科建设资助项目（PAPD）共同资助。