陈伟涛，等，计算机学院. IEEE JSTARS (2022), GCSANet：A Global Context Spatial Attention Deep Learning Network for Remote Sensing Scene Classification

   近日，地球科学和遥感领域重要期刊《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》（IEEE JSTARS）在线刊发了我校计算机学院在“地球科学与人工智能遥感”学科交叉领域的研究成果——GCSANet：A Global Context Spatial Attention Deep Learning Network for Remote Sensing Scene Classification。论文第一作者为人工智能系陈伟涛教授，通讯作者为王力哲教授。

    高分辨率遥感影像中，单个像素的信息量不足以解释区域地质环境具有明确物理意义的对象，而遥感场景是一种更大、更新的研究影像特征和信息的尺度，是遥感影像信息理解的重要方式之一。遥感图像场景分类已经成为高分辨率遥感的研究重点和研究热点之一，被广泛应用于自然资源调查、土地利用和土地覆盖分类、灾害检测、环境保护检测等。由于地质环境景观类型、地形地貌、地质背景的复杂性，当前深度学习模型对复杂地质环境下地物的多尺度特征和全局特征提取能力还不够，不能很好地解决遥感场景图像地质背景复杂、地质环境目标全局特征显著、局部特征关键多变等特性。

针对上述问题，该文构建了一种基于全局上下文空间注意(Global Context Spatial Attention, GCSA)和密集连接的卷积网络的框架（GCSANet），以顾及上述复杂地质环境下遥感地物场景特征。首先，利用混合操作对遥感图像的空间混合数据进行增强，将离散的样本空间渲染为连续的，以提高数据空间在邻域的平滑性；其次，通过密集连接骨干网络加强其内部的密集连接，提取地物多尺度特征；然后，在连接密集的骨干网络中引入GCSA模块，将遥感场景图像的上下文信息编码为局部特征。论文提出的GCSANet模型在公开的4个主流遥感场景数据集上进行了实验，相对于最新主流的算法，综合性能表现最佳。同时，在该团队构建的复杂山地环境场景数据集上GCSANet模型同样表现最佳，说明该模型具有良好的泛化能力，构建的数据集能够作为复杂山地场景分类研究的基准（数据集已开源）。 

图1 GCSANet网络架构图

该项研究得到国家自然科学基金项目（U1803117, 41925007, 42071430）的联合资助。

论文信息：

Title: GCSANet：A Global Context Spatial Attention Deep Learning Network for Remote Sensing Scene Classification

Authors: Weitao Chen, Shubing Ouyang, Wei Tong, Xianju Li, Xiongwei Zheng, Lizhe Wang*

Source: IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing

Date of Publication：11 January 2022

DOI: 10.1109/JSTARS.2022.3141826

论文链接: https://ieeexplore.ieee.org/document/9678028

论文代码链接：https://github.com/ShubingOuyangcug/GCSANet

数据集链接：https://pan.baidu.com/s/18NW5syly4WnrHOXDO8uSmQ, watchdog: cug0

期刊信息：

IEEE JSTARS是地球科学和遥感领域的重要期刊，是IEEE地球科学与遥感技术协会（GRSS）会刊，在遥感技术和地球科学领域具有较高影响力。