论文阅读—2023.7.13：遥感图像语义分割空间全局上下文信息网络（主要为unet网络以及改unet）附加个人理解与代码解析-Toy模板网

这篇具有很好参考价值的文章主要介绍了论文阅读—2023.7.13：遥感图像语义分割空间全局上下文信息网络（主要为unet网络以及改unet）附加个人理解与代码解析。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

前期看的文章大部分都是深度学习原理含量多一点，一直在纠结怎么改模型，论文看的很吃力，看一篇忘一篇，总感觉摸不到方向。想到自己是遥感专业，所以还是回归遥感影像去谈深度学习，回归问题，再想着用什么方法解决问题。

一、问题与解决方法

1、易丢失空间信息

在 Decoder 阶段输出多尺度特征，与 ReEncoder 阶段结合获取全局上下文信息

2、边界信息不明确

保留边界损失函数，设计多尺度损失函数级联方法

Attention U-Net，在 U-Net 网络高低级语义信息融合的过程中，加入注意力控制模块（ Attention gates），强化了有效信息的传递，对无效信息的传输进行抑制。

二、原理

1、问题一的原理

Unet网络

参考这三篇，写的特别详细

Pytorch深度学习实战教程（二）：UNet语义分割网络 - 知乎 (zhihu.com)

Pytorch深度学习实战教程（三）：UNet模型训练，深度解析！ - 知乎 (zhihu.com)

（个人记录：损失函数优化器选择）

U-Net原理分析与代码解读 - 知乎 (zhihu.com)

作者的网络

网络可以看懂，但是不懂这样做可以解决第一个问题的原理。

2、问题2的原理