Resumen

Las imágenes de teledetección suelen tener baja calidad debido a las limitaciones del equipo, lo que resulta en una baja precisión de la imagen y es extremadamente difícil identificar el objeto objetivo cuando está borroso o es pequeño. El principal desafío es que los objetos en las imágenes de teledetección tienen muy píxeles. Las redes convolucionales tradicionales son complicadas para extraer suficiente información a través de la convolución local y son fácilmente perturbadas por puntos de ruido, por lo que generalmente no son ideales para clasificar y diagnosticar objetivos pequeños. La solución actual es procesar la información del mapa de características en múltiples escalas, pero este método no considera el efecto suplementario de la información de contexto del mapa de características en la semántica. En este trabajo, con el fin de permitir que las CNN aprovechen al máximo la información de contexto y mejoren su capacidad de representación, proponemos un método de fusión de función de atención residual, que mejora la capacidad de representación de los mapas de características al fusionar la información del mapa de características contextual de diferentes escalas, y luego pro

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Imágenes de teledetección; Baja calidad; Limitaciones de los equipos; Precisión de las imágenes; Objetivos pequeños; Redes convolucionales
• Keywords:Remote sensing images; Low quality; Equipment limitations; Image accuracy; Small targets; Convolutional networks