Semantic Segmentation on Remotely Sensed Images Using an Enhanced Global Convolutional Network with Channel Attention and Domain Specific Transfer Learning

创新点：

1、在GCN（global convolutional network）基础上，把他的backbone替换成更多层的，使其适应中分辨率影像，resnet50,101,152

2、利用 channel attention 来挑选出最具有识别力的特征

3、迁移学习来解决数据稀缺的问题，用了不同分辨率训练好的数据

目标数据集：

landsat-8 和 ISPRS Vaihingen Challenge Dataset

语义分割现代技术：

1、global context（全局上下文信息）：如 PSPNet 和 Deeplab v3 的金字塔池化和看空洞金字塔池化。但为了得到较好的效果，空洞卷积下采样了8次，费时费内存【16】

2、attention module（注意力模块）：帮助我们只关注想要的信息，可以关注不同尺度的信息。本文用了 channel attention。【16,17】

3、refinement residual block（精细化残差块）：每一步的所有特征图都要经过这个残差块。本文用的是 boundary refinement block（BR），第一部分是一个1*1的卷积层，输出通道统一成21层，第二部分加一个基础的残差块【15，16】

【15】 Peng, C.; Zhang, X.; Yu, G.; Luo, G.; Sun, J. Large kernel matters—Improve semantic segmentation by global
convolutional network. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition
(CVPR), Honolulu, HI, USA, 21–26 July 2017; pp. 1743–1751.
【16】 Yu, C.; Wang, J.; Peng, C.; Gao, C.; Yu, G.; Sang, N. Learning a Discriminative Feature Network for Semantic
Segmentation. arXiv 2018, arXiv:1804.09337.
【17】 Hu, J.; Shen, L.; Sun, G. Squeeze-and-excitation networks. arXiv 2017, arXiv:1709.01507.

数据预处理：

1、减去均值

2、随机水平翻转进行数据扩增

3、裁剪到512*512

训练参数：

初始学习率：0.004

权重衰减：0.00001

优化器：Adam

学习率衰减：poly 法，（1 - epoch / MaxEpoch）^0.9

epoch：50

batch-size：4

比较：

不同backbone，attention，transfer。迁移学习是两个数据集互相迁移，即 lc8 的训练好了算 isprs 的预训练权重，isprs 训练好的算 lc8 的预训练权重。

最后3个结合的效果最好