简介

论文名称：MSNet: multispectral semantic segmentation network for remote sensing images
代码可用为： https://github.com/taochx/MSNet

摘要

在遥感图像自动解译的研究中，基于深度卷积神经网络的语义分割得到了快速的发展和应用，特征分割精度和网络模型泛化能力逐步提高。然而，大部分网络设计主要面向遥感图像的三个可见RGB波段，旨在能够直接借鉴成熟的自然图像语义分割网络和预训练模型，但同时造成不可见光谱波段如**近红外（NIR）**遥感图像的浪费和丢失。结合多光谱数据在区分水和植被等典型特征方面的优势，我们提出了一种新的深度神经网络结构，称为多光谱语义分割网络（MSNet），用于多分类特征场景的语义分割。在遥感图像自动解译的研究中，基于深度卷积神经网络的语义分割得到了快速的发展和应用，特征分割精度和网络模型泛化能力逐步提高。然而，大部分网络设计主要面向遥感图像的三个可见RGB波段，旨在能够直接借鉴成熟的自然图像语义分割网络和预训练模型，但同时造成不可见光谱波段如近红外（NIR）遥感图像的浪费和丢失。结合多光谱数据在区分水和植被等典型特征方面的优势，我们提出了一种新的深度神经网络结构，称为多光谱语义分割网络（MSNet），用于多分类特征场景的语义分割。

1.介绍

深度学习算法从数据中分层学习具有代表性和区分的特征，已被引入遥感领域并迅速发展。将遥感图像的光谱和纹理等信息输入卷积神经网络模型，作为基于像素的语义分割的基本特征，得到特征分类