Multi-Scale Graph Convolutional Network and Dynamic Iterative Class Loss for Ship Segmentation in Remote Sensing Images主要研究了基于遥感图像的方法，重点研究多尺度海洋船舶语义分割。提出了一种基于图卷积网络与动态迭代类损失函数的船舶语义分割方法，将原本的DeeplabV3+的Decoder、Encoder分支进行优化，增强了语义分割的准确性。（见图1）
图1
现有的基于深度学习的船舶分割虽然取得了令人满意的精度，但仍然存在两个挑战。一方面，在一幅遥感图像中经常包含多个舰船目标，这些目标分散在图像各处。在框架进行特征学习时，需要对属于同一类别的对象进行相关性描述，并利用相关性进行特征学习。然而，现有的船舶语义分割方法侧重于硬特征的提取，没有考虑同类别对象之间的关系。另一方面，遥感图像中目标船舶所占的像素较少，背景信息占据了图像的大部分，导致类别不平衡。在训练过程中，少量的前景像素被大量的背景像素淹没，导致分割结果不准确，甚至导致模型崩溃。针对该问题，我们提出基于多尺度图卷积网络与动态迭代类损失函数的船舶语义分割方法，该方法基于DeepLabv3+实现船舶的相关识别，采用Encoder-Decoder架构分为两个分支。在编码部分先经过深度卷积网络初始化多尺度特征表示，得到语义特征。特别地，我们添加了多尺度空间图卷积神经网络(MSGCN)建立目标船舶之间的相关性。我们针对每个尺度的特征，为其定义节点和边缘的概念来建立图结构，从而使得特征信息互通，有效地保留固有的多尺度语义关系，使信息聚合。此外，我们提出一种动态迭代类损失函数(DICL)来计算我们的损失，以此来解决正负样本比例严重失衡问题，对船舶目标进行更精确的分类。根据上述设计，在统一的模型中考虑了多尺度语义关联信息和有效的多尺度语义识别信息。
具体来说，我们在DeepLabV3+深度分支中添加了多尺度空间图卷积神经网络(MSGCN，它是由关键节点与节点之间的关系，也就是节点和边组成。首先，针对空洞空间卷积池化金字塔模块的每个输出特征，为他们建立多尺度图结构，搭建空间区域之间的连接桥梁。通过对于输入的特征图，我们将其像素点作为节点，每个节点对图像中的一个区域进行编码搭建节点关系；同时通过建立节点之间的连接来搭建边缘关系，最终实现通过节点之间的关联传递信息进行多尺度的信息聚合。另外，我们对传统的标准交叉熵函数进行改造，以解决数据集中不同类别的极端不平衡分布，真正有用的类非常稀疏，导致的正、负样本不平衡的问题。我们在每次迭代中根据批量分类计算每一类像素的损失，相应地调整正样本和负样本的权重，实现能动态迭代的调节损失函数。该框架可优化当前具有代表性的语义分割模型以及相关性计算函数。
我们在A High-Resolution SAR Images Dataset数据库上评测该框架，实验结果表明与现有算法相比，我们的框架可取得具有竞争力的结果。充分验证了基于多尺度图卷积网络与动态迭代类损失函数的体系结构的有效性。（见Table1-Table6）。
注：多模态大数据智能计算实验室2021级电子信息硕士研究生姜彦如同学作为第一作者完成的论文“Multi-Scale Graph Convolutional Network and Dynamic Iterative Class Loss for Ship Segmentation in Remote Sensing Images”（多尺度图卷积网络与动态迭代类损失在遥感图像船舶分割中的应用）于2021年12月获ACM Multimedia Asia 会议发表。
