改进Deeplabv3+的双注意力融合作物分类方法
Improved Deeplabv3+Crop Classification Method Based on Double Attention Fusion作者机构:青岛科技大学信息科学技术学院山东青岛266061 青岛科技大学大数据学院山东青岛266061 岭南大数据研究院时空大数据研究室广东珠海519000
出 版 物:《计算机工程与应用》 (Computer Engineering and Applications)
年 卷 期:2024年第60卷第8期
页 面:110-120页
核心收录:
学科分类:08[工学] 09[农学] 083002[工学-环境工程] 0830[工学-环境科学与工程(可授工学、理学、农学学位)] 081203[工学-计算机应用技术] 0804[工学-仪器科学与技术] 0903[农学-农业资源与环境] 0816[工学-测绘科学与技术] 081602[工学-摄影测量与遥感] 0835[工学-软件工程] 081102[工学-检测技术与自动化装置] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:山东省重点研发计划项目(2019GGX101047) 山东省自然科学基金青年项目(ZR2021QC120)
主 题:农作物分类 无人机影像 Deeplab v3+ Transformer 注意力机制
摘 要:近年来,卷积神经网络(convolutional neural networks,CNN)在农作物分类研究中不断取得新进展,但在建模长期依赖关系方面表现出一定的局限性,对农作物全局特征的捕获存在不足。针对以上问题,将Transformer引入Deeplab v3+模型,提出了一种用于无人机影像农作物分类的并行分支结构--DeepTrans(Deeplab v3+with Trans-former)模型。DeepTrans以一种并行的方式将Transformer和CNN结合在一起,利于全局特征与局部特征的有效捕获。通过引入Transformer来增强图像中信息的远距离依赖关系,提高了作物全局信息的提取能力;加入通道注意力机制和空间注意力机制加强Transformer对通道信息的敏感度及ASPP(atrous spatial pyramid pooling)对作物空间信息捕获能力。实验结果表明,DeepTrans模型在MIoU指标上可达0.812,相较于Deeplab v3+模型提高了3.9%,该模型在五类作物的分类中精度均有提升,对于容易错分的甘蔗、玉米和香蕉三种作物,其IoU分别提高了2.9%、4.7%、13%。由此可见,DeepTrans模型在农作物分类图像的内部填充和全局预测方面有着更好的分割效果,有助于更准确地监测农田作物的种植结构及规模。