多光谱遥感图像（MSIs）包含大量的地物信息，这些信息蕴含在图像的多个光谱波段中。不同波段或者同一波段不同空间位置所含信息量差异很大，如何从MSIs中捕获有效信息是遥感图像语义分割中一项具有挑战性的任务。基于此，提出一种基于波段-位置自适应选择的端到端语义分割网络（BLASeNet）。所提网络采用编码器-解码器结构，在编码阶段，提出波段-位置自适应选择机制来自适应学习不同波段和同一波段不同空间位置权重，增强有效特征表达。为了利用MSIs的波段相关性，进一步提出三维残差块编码图像的光谱-空间特征。在解码阶段，提出自适应特征融合模块，通过网络学习自适应调整低级细节特征与高级语义特征的融合比例，并探究加法（BLASeNet-A）、元素乘法（BLASeNet-M）和串联（BLASeNet-C）等3种融合策略对模型性能增益的影响。此外，将通道注意力扩展到三维数据上，对融合后的特征图在通道维度上进行特征重标定，得到更准确的多级交互特征图。在ISPRS Potsdam、Qinghai和Tibet Plateau等3个数据集上的实验结果证明了BLASeNet的有效性。

在高光谱图像分类任务中，图卷积网络能够建模像素或区域间的结构关系和相似性关系。针对利用像素原始光谱特征计算节点相似度构造邻接矩阵不准确的问题，提出基于空间-光谱聚合特征的图卷积网络（S²AF-GCN），用于特征提取和像素级分类。以像素的空间位置为中心，聚合像素空间邻域内的其他像素特征，利用聚合后的像素特征动态更新与邻域内其他像素的权重，通过多次聚合，实现区域内像素特征平滑，得到像素的有效特征表示。然后利用聚合特征计算相似度并构图，获得更为准确的邻接矩阵，同时利用聚合特征训练网络，获得更好的分类结果。S²AF-GCN在三个常用高光谱数据集Indian Pines、Pavia University、Kennedy Space Center上利用1%的标记样本取得了85.51%、96.95%、94.92%的总体分类精度。

遥感图像分割是遥感图像处理领域的一项重要应用。针对卷积神经网络在遥感图像分割时存在建筑物错分、漏分，建筑物轮廓分割不准确的问题，基于深度学习网络U-Net，提出了一种结合多尺度注意力和边缘监督的遥感图像分割网络MAE-Net。首先，在编码阶段每层引入多尺度注意力模块，该模块对输入特征图进行通道均等分组，每组使用大小不同的卷积核进行特征提取，之后对每组施加通道注意力机制，通过自学习的方式获得更为有效的特征，解决大小不一建筑物特征提取不准确的问题；其次，在解码阶段引入边缘提取模块，构造边缘监督网络，通过损失函数计算边缘标签和预测边缘的误差，帮助分割网络更好地学习建筑物边缘特征，使建筑物边界的分割结果更为连续、平滑。实验结果表明，MAE-Net能够从背景复杂多样、尺度变化较大的遥感图像中完整地分割出建筑物，且分割精度较高。

针对环境背景复杂且包含小目标的遥感图像难以进行精准目标检测的问题,在单阶段检测(SSD)模型的基础上,提出了一种基于注意力和特征融合的单阶段目标检测模型,该模型主要由检测分支和注意力分支组成。首先,在检测分支SSD中加入注意力分支,注意力分支的全卷积网络通过逐像素回归得到待检测目标的位置特征;其次,采用对应元素相加的方法对检测分支和注意力分支进行特征融合,获得细节信息和语义信息更丰富的高质量特征图;最后,用软非极大值抑制(Soft-NMS)进行后处理,进一步提高目标检测的准确性。实验结果表明,本模型在UCAS-AOD和NWPU VHR-10数据集上的平均精度均值分别为92.52%和82.49%,相比其他模型,检测效率更高。

传统图像分割方法主要依赖图像光谱、纹理等底层特征,容易受到图像中遮挡和阴影等的干扰。为此,提出一种基于卷积受限玻尔兹曼机的CV(Chan-Vest)图像分割模型,采用生成式模型——卷积受限玻尔兹曼机对目标形状建模并生成目标形状,以此为先验信息对CV模型能量函数增加目标全局形状特征约束,指导图像分割。在训练数据有限、目标形态各异、目标尺度变化较大的遥感影像数据集Satellite-2000和Vaihigen的目标分割中取得了理想的结果。

针对遥感图像目标密集、尺度不一、存在遮挡等特点,提出一种基于注意力机制的遥感图像分割模型用于目标分割。该模型建立在深度图像分割模型的基础上,提出在高低层特征融合之前采用通道注意力机制对低层特征进行加权处理,增强目标特征并抑制背景特征,提高信息的融合效率。为进一步增强模型对目标特征的响应能力,提出位置注意力机制对解码阶段最后的特征进行处理。最后,将加权融合后的特征图上采样到原图大小并预测像素类别。在两个遥感道路数据集上进行实验并与相关模型进行比较,结果表明所提模型在遥感影像道路提取中性能优异,可应用于复杂的遥感影像目标分割。

针对深度卷积网络在遥感图像上存在小目标漏分、被遮挡目标无法提取、细节缺失等问题,在深度卷积编码-解码网络的基础上提出一种基于多级通道注意力的遥感图像分割方法(SISM-MLCA)。首先在网络编码阶段加入通道注意力机制,通过自我学习的方式获取更为有效的特征,解决遥感图像中目标遮挡问题;其次,在不同尺度上施加通道注意力的特征图融合,使网络提取到丰富的上下文信息,能应对目标尺度的变化,改善小目标难分割的问题。在两个数据集实验上的结果表明:SISM-MLCA具有更高的目标分割准确性,对小目标与被遮挡目标能取得更好的分割结果;在训练数据有限、背景复杂多样、尺度变化较大的遥感图像目标分割中取得了较好的结果,表明SISM-MLCA可应用于复杂的遥感图像目标分割中。

基于全卷积网络提出了一种图像分割模型以获取目标分割结果,模型包含两个结构相同的深层神经网络分支,每个分支采用卷积-反卷积的结构实现特征提取和从特征恢复目标区域;两个分支接收不同类型图像输入,将来源于两个分支的结果通过加权融合得到最终的分割结果。模型融合了不同图像源的多级尺度特征,在训练样本数有限的情况下,通过数据增强使训练得到的模型稳健性更强。在光学图像数据集Weizmann horse和遥感影像数据集Vaihigen上进行实验,并与相关文献进行比较,结果表明,所提模型具有更高的目标分割完整度和最优的分割性能,在训练数据有限、形态各异、尺度变化较大等的遥感影像建筑物提取中取得了理想的结果,表明该模型可应用于复杂的遥感影像目标分割。