URSE-Net：一种基于多光谱遥感图像提取冬小麦种植信息的方法

《International Journal of Remote Sensing》：URSE-Net: a method of extraction winter wheat planting information based on multispectral remote sensing images

针对遥感图像在农作物识别中存在的低准确率和过拟合问题，提出基于U-Net的URSE-Net模型，集成特征金字塔注意力机制和多尺度信息融合，通过Dropout层抑制过拟合并简化网络结构，使用高分二号4通道遥感图像在河北徐县冬小麦种植区进行实验，验证URSE-Net在batch size=8时像素精度达97.11%，mIoU为93.78%，优于U-Net、SegNet等模型，且多光谱数据效果优于RGB图像。

　　

摘要

深度学习技术越来越多地应用于作物识别、区域检测、产量预测等领域的研究。然而，一些现有研究表明，在使用遥感图像进行上述研究时存在准确率低和过拟合明显等问题。基于这一情况，提出了一种名为URSE-Net的模型。该模型基于U-Net结构，并结合了特征金字塔注意力（FPA）和注意力机制，以整合多尺度信息、减少背景干扰并提高识别精度。在最大池化和卷积操作之后添加了Dropout层来抑制过拟合，并对增强后的特征提取网络进行了结构简化，以降低计算负担和模型复杂性。以高分二号（Gaofen-2）的4通道遥感图像作为数据源，对中国河北省献县的小麦种植区域进行了种植信息提取实验。实验结果表明：（i）当批量大小设置为8时，URSE-Net模型的性能最佳，其像素准确率（PA）达到97.11%，平均交并比（mIoU）达到93.78%；（ii）与RGB图像相比，多光谱遥感图像可以提高模型的性能；（iii）本研究提出的方法在准确率和mIoU方面均优于U-Net、Segnet、PSPnet和Deeplabv3+模型；在3类数据集中，URSE-Net方法在提取各类别信息方面表现最佳。实验结果证明，本研究提出的优化方法有效解决了现有模型中存在的准确率低和过拟合问题，为未来模型改进提供了宝贵的借鉴。