鄭思宇,胡華浪,黃 進(jìn),付國(guó)棟,楊 旭,王 敏,李劍波,秦澤宇

(西南交通大學(xué) 電氣工程學(xué)院,成都 611756)

遙感變化檢測(cè)是近年來地表觀測(cè)的熱門課題之一.其目的在于比較給定區(qū)域的多時(shí)相遙感影像以檢測(cè)遙感信息的變化[1].根據(jù)場(chǎng)景的不同,遙感變化檢測(cè)又派生出了更多的子任務(wù)包括土地測(cè)量[2,3]、城區(qū)擴(kuò)建檢測(cè)[4,5]和自然災(zāi)害預(yù)警[6-8]等.本文的第1 節(jié)將回顧遙感變化檢測(cè)的發(fā)展過程,列舉出存在的問題與解決方法.

1 遙感變化檢測(cè)問題與方法

1.1 傳統(tǒng)方法

由于遙感變化檢測(cè)的數(shù)據(jù)稀少,早期的變化檢測(cè)方法多以傳統(tǒng)機(jī)器學(xué)習(xí)與圖像處理為主,包括K-means聚類[9]、主成分分析法[10]、支持向量機(jī)[11,12]、決策樹[13]和隨機(jī)場(chǎng)[6,14,15].這些方法主要的處理過程包含圖像預(yù)處理、變化檢測(cè)機(jī)制、圖像后處理.然而這些方法普遍存在的問題在于傳統(tǒng)算法的變化檢測(cè)機(jī)制無法提取魯棒的特征.

1.2 基于卷積神經(jīng)網(wǎng)絡(luò)的方法

隨著遙感技術(shù)的不斷發(fā)展,越來越多的多時(shí)相遙感數(shù)據(jù)被采集獲取.此外,卷積神經(jīng)網(wǎng)絡(luò)(CNN)也不斷迭代更新,在許多不同的領(lǐng)域里逐漸占領(lǐng)主導(dǎo)地位.孿生網(wǎng)絡(luò)[16]、偽孿生網(wǎng)絡(luò)和雙通道網(wǎng)絡(luò)[17]分別給出了處理多圖像輸入的架構(gòu).全卷積網(wǎng)絡(luò)[18]使用徹底的卷積架構(gòu)以實(shí)現(xiàn)圖像像素級(jí)分割任務(wù).U-Net[19]在此基礎(chǔ)之上提出了帶有跳躍連接的編解碼結(jié)構(gòu)以提升數(shù)據(jù)融合的效果.遙感變化檢測(cè)得益于這些工作,衍生出了不同的網(wǎng)絡(luò)框架與學(xué)習(xí)策略.

根據(jù)遙感變化檢測(cè)融合數(shù)據(jù)方式的不同,其網(wǎng)絡(luò)框架可以被概括為編碼前融合與解碼前融合,如圖1所示.解碼前融合的方法[20-23]將兩路圖像輸入分別進(jìn)行編碼.其中,編碼器既可共享權(quán)重(即孿生網(wǎng)絡(luò))也可以獨(dú)享權(quán)重(即偽孿生網(wǎng)絡(luò)).然后,解碼器融合編碼器提取到的特征以生成遙感變化圖.此種結(jié)構(gòu)的特點(diǎn)在于能夠清晰地明確網(wǎng)絡(luò)各個(gè)部分的處理任務(wù),將圖像特征提取與特征融合分別安排給編碼器與解碼器.

圖1 變化檢測(cè)網(wǎng)絡(luò)框架示意圖

編碼前融合[3,24-28]的方法在輸入部分將不同時(shí)相的數(shù)據(jù)拼接起來再送入語義分割網(wǎng)絡(luò)處理.這種結(jié)構(gòu)沒有明確對(duì)編碼器和解碼器進(jìn)行任務(wù)分工.整個(gè)網(wǎng)絡(luò)傾向于同時(shí)進(jìn)行特征提取與特征比較.這賦予了網(wǎng)絡(luò)靈活性以及更魯棒的訓(xùn)練條件[17].

為了對(duì)遙感變化特征進(jìn)行學(xué)習(xí),不同的學(xué)習(xí)策略可主要?dú)w納為逐像素與逐目標(biāo)兩種.逐像素的方法通過解碼器以逐個(gè)像素的方式對(duì)特征進(jìn)行解碼.因此,其后處理生成遙感變化圖的方式多以閾值分割或聚類為主.相關(guān)的數(shù)據(jù)集[20,29-34]對(duì)圖像組(多時(shí)相為一組)逐個(gè)像素進(jìn)行二分類的標(biāo)簽制作.其中,正樣本標(biāo)簽代表了遙感信息存在變化,負(fù)樣本標(biāo)簽表示沒有變化.然而,不相關(guān)聯(lián)地對(duì)逐個(gè)像素進(jìn)行變化檢測(cè)往往會(huì)導(dǎo)致輸出的遙感變化圖存在許多椒鹽噪聲.

逐目標(biāo)的方法認(rèn)為像素并不是完好地反映遙感變化對(duì)象結(jié)構(gòu)與性質(zhì)的最小單元[3].為了增強(qiáng)模型對(duì)遙感對(duì)象的理解,逐目標(biāo)的方法首先會(huì)對(duì)不同的輸入圖像進(jìn)行語義分割的預(yù)測(cè),再通過逐目標(biāo)比較的辦法生成遙感變化圖.與逐像素的方法相比,逐目標(biāo)的方法對(duì)數(shù)據(jù)集標(biāo)簽制作要求更高且工作量更大,需要對(duì)所有輸入圖像進(jìn)行多分類的語義分割標(biāo)簽制作.

最近的研究[3,21]表明,逐像素和逐目標(biāo)的方法也可以相互結(jié)合來實(shí)現(xiàn)遙感變化檢測(cè)的多任務(wù)學(xué)習(xí).如圖2所示,HRSCD 數(shù)據(jù)集[3]即包含了多分類的語義分割標(biāo)簽又二分類的變化標(biāo)簽.HRSCD 制作者在此基礎(chǔ)上嘗試了不同的學(xué)習(xí)策略,證明了同時(shí)進(jìn)行逐像素與逐目標(biāo)學(xué)習(xí)的多任務(wù)策略是有效的.

圖2 HRSCD 數(shù)據(jù)集樣本示例

2 時(shí)序影響

前述的研究中對(duì)時(shí)序的影響很少評(píng)估.所訓(xùn)練的模型通常擬合從固定的一個(gè)時(shí)序點(diǎn)到另外一個(gè)時(shí)序點(diǎn)的變化.因?yàn)闀r(shí)序的一致性,所評(píng)估的模型往往能夠生成效果較好的遙感變化圖.但是當(dāng)圖像輸入的時(shí)序相反時(shí),這種模型的效果如何? 圖3的結(jié)果表明,所生成的遙感變化圖效果不同程度上惡化了,且所要檢測(cè)的變化變化特征越細(xì)微,模型呈現(xiàn)出的檢測(cè)能力就越弱.因此,在實(shí)際應(yīng)用中,時(shí)序變化檢測(cè)的模型無法進(jìn)行反時(shí)序變化檢測(cè)和雙向時(shí)相檢測(cè)的任務(wù),諸如季節(jié)變化,天氣變化和房屋建筑的修建拆遷等.為了解決此問題,最直觀的方式是將數(shù)據(jù)集翻倍,同時(shí)包含時(shí)序變化與反時(shí)序變化的數(shù)據(jù).然而,此方式同時(shí)也會(huì)造成訓(xùn)練時(shí)間的延長(zhǎng).本文希望提出一種模型調(diào)整的方法,使模型能夠在保持高精度檢測(cè)的情況下獲得有效的訓(xùn)練.通過使模型對(duì)稱化,模型能夠自適應(yīng)不同的圖像輸入時(shí)序.在此基礎(chǔ)上,本文添加了雙通道孿生輸入模塊使模型編碼器能夠提取更魯棒的特征.為了進(jìn)一步精煉編碼器提取到的特征,本文在模型跳躍連接處添加了注意力機(jī)制以實(shí)現(xiàn)不同感受野的特征聚合融合.

圖3 FC-EF-Res[3]網(wǎng)絡(luò)在OSCD 測(cè)試集3 個(gè)測(cè)試案例(dubai,brasilia,lasvegas)的遙感變化檢測(cè)結(jié)果

本文之后部分論述安排如下:第3 節(jié)將細(xì)述所提出的模型與方法;第4 節(jié)將通過比較試驗(yàn)和消融實(shí)驗(yàn)從多個(gè)角度驗(yàn)證本文的模型與方法;第5 節(jié)總結(jié)全文.

3 雙通道孿生網(wǎng)絡(luò)

3.1 對(duì)稱模型

圖3的結(jié)果表明遙感影像的時(shí)序變化和反時(shí)序變化存在著固有上的差異.單用時(shí)序變化數(shù)據(jù)集或者反時(shí)序變化的數(shù)據(jù)集以訓(xùn)練模型,模型參數(shù)都無法將兩種不同的變化歸納泛化.但是從另一個(gè)角度考慮,模型參數(shù)本身就能歸納概括這兩種不同的變化,那么對(duì)于這種模型,只需使用時(shí)序變化數(shù)據(jù)集或反時(shí)序變化數(shù)據(jù)集任意一個(gè)即可對(duì)其訓(xùn)練.由此,本文提出了符合這種條件的對(duì)稱模型,也即對(duì)于不同的圖像輸入時(shí)序,輸出結(jié)果恒等的一種模型.同時(shí),本文給出了對(duì)稱模型設(shè)計(jì)的3 個(gè)準(zhǔn)則:1)對(duì)稱函數(shù):模型中的每個(gè)多輸入函數(shù)(如通道拼接、求和、求絕對(duì)值等)都應(yīng)保證恒等輸出;2)對(duì)稱模塊:一個(gè)對(duì)稱模塊應(yīng)該包含多個(gè)對(duì)稱函數(shù)輸出或者是多個(gè)對(duì)稱函數(shù)的堆疊;3)對(duì)稱模型:對(duì)稱模型由對(duì)稱編碼器模塊、對(duì)稱解碼器模塊和對(duì)稱跳躍連接組成.

本文基于3 個(gè)相關(guān)的網(wǎng)絡(luò)FC-Siam-conc、FCSiam-diff和FC-EF-Res 進(jìn)行本文的基準(zhǔn)模型設(shè)計(jì)[3,20].FC-Siam-conc和FC-Siam-diff 都采用了孿生U-Net 結(jié)構(gòu)并在解碼器之前對(duì)特征進(jìn)行融合,如圖1(a)所示.兩者的區(qū)別在于,FC-Siam-diff的跳躍連接輸出計(jì)算的是絕對(duì)值差,是一個(gè)對(duì)稱函數(shù).FC-EF-Res 采用殘差模塊和瓶頸模塊[35]以提升特征提取性能.但是,該網(wǎng)絡(luò)采用的是編碼前數(shù)據(jù)融合的結(jié)構(gòu),如圖1(b)所示,使得整個(gè)網(wǎng)絡(luò)失去了對(duì)稱性.本文將FC-EF-Res與FC-Siam-diff相結(jié)合構(gòu)造本文的基準(zhǔn)模型,如圖4所示.值得注意的是FC-Siam-diff 在第5 個(gè)編碼器模塊上的跳躍連接放棄了計(jì)算絕對(duì)值,這會(huì)導(dǎo)致模型的對(duì)稱性被破壞.本文在基準(zhǔn)模型的設(shè)計(jì)中對(duì)此進(jìn)行了修正,具體情況如圖中紅色虛線框內(nèi)所示.本文仿照?qǐng)D3的實(shí)驗(yàn)初步訓(xùn)練并驗(yàn)證了基準(zhǔn)模型的效果,結(jié)果如圖5所示.結(jié)果表明,該基準(zhǔn)模型能夠?qū)τ诓煌瑫r(shí)序的圖像輸入保持輸出恒等,是對(duì)稱模型.

圖4 基準(zhǔn)模型模型結(jié)構(gòu)示意圖

圖5 基準(zhǔn)模型在OSCD 測(cè)試集3 個(gè)測(cè)試案例(dubai,brasilia,lasvegas)的遙感變化檢測(cè)結(jié)果

3.2 雙通道孿生輸入

如圖6所示,本文提出一種圖像輸入處理模塊——雙通道孿生輸入.該模塊首先在圖像通道維度上,將圖像分別以正時(shí)序和反時(shí)序拼接.然后將包裝完成的數(shù)據(jù)送入孿生網(wǎng)絡(luò)進(jìn)行后續(xù)的處理.雙通道孿生輸入模塊的設(shè)計(jì)思路主要源自圖1的兩種結(jié)構(gòu).一方面,雙通道的拼接使得時(shí)序變化以及反時(shí)序變化的特征能同時(shí)且更有效地提取;另一方面,孿生結(jié)構(gòu)符合對(duì)稱模塊設(shè)計(jì)原則保持了模型的對(duì)稱性.除此之外,該模塊的引入只會(huì)增加輸入部分計(jì)算量,不會(huì)對(duì)整體網(wǎng)絡(luò)架構(gòu)增加額外計(jì)算負(fù)擔(dān).

圖6 雙通道孿生輸入模塊示意圖

3.3 雙通道孿生融合

Attention U-Net[36]指出,深層下采樣后的CNN 更專注于歸納概括全局圖像信息而往往會(huì)忽視對(duì)細(xì)節(jié)物像信息的提取.基于此,Attention U-Net 采用了注意力門的機(jī)制以主動(dòng)抑制全局圖像中無關(guān)的背景信息.遵循著這一思路,本文在網(wǎng)絡(luò)的跳躍連接處部署雙通道孿生融合模塊,其作用機(jī)理如圖7所示.

圖7 雙通道孿生融合模塊示意圖.

首先,由編碼器提取到的兩組特征fa0和fb0分別由一個(gè)權(quán)重共享的CBAM注意力模塊[37]進(jìn)行特征相關(guān)性計(jì)算:

然后,相關(guān)性特征對(duì)原始特征fa0和fb0進(jìn)行重新賦權(quán),抑制高度相關(guān)的圖像背景信息,放大存在差異的遙感變化信息:

為了防止重新賦權(quán)的特征過擬合,最后原始特征fa0和fb0與重新賦權(quán)的特征fa2和fb2進(jìn)行加和得到雙通道孿生融合模塊的輸出:

不同于FC-Siam-diff 在跳躍連接處直接計(jì)算特征的絕對(duì)值差以獲得特征變化,本文所提出的雙通道孿生輸入模塊對(duì)輸入圖像包裝后,編碼器本身就在提取時(shí)序變化特征和反時(shí)序變化特征,故而,在跳躍連接處部署雙通道孿生融合模塊可以進(jìn)一步精煉圖像前景信息并抑制圖像背景信息.與計(jì)算絕對(duì)值差相同的是,該模塊的設(shè)計(jì)同樣是符合對(duì)稱模塊設(shè)計(jì)原則的.

最終,在基準(zhǔn)模型上添加了前述兩個(gè)模塊后,本文所提出的雙通道孿生網(wǎng)絡(luò)結(jié)構(gòu)如圖8所示.

圖8 雙通道孿生網(wǎng)絡(luò)示意圖

4 實(shí)驗(yàn)

4.1 數(shù)據(jù)集

為了評(píng)估本文第3 節(jié)所介紹的模型與模塊,本文使用OSCD 數(shù)據(jù)集[20]進(jìn)行測(cè)評(píng).OSCD 數(shù)據(jù)集是一個(gè)遙感變化檢測(cè)的經(jīng)典數(shù)據(jù)集.其多時(shí)相數(shù)據(jù)由Sentinel-2 衛(wèi)星獲取.數(shù)據(jù)集中共包含24 組圖像,其中14 組用于訓(xùn)練,10 組用于測(cè)試.該數(shù)據(jù)集采集對(duì)象遍布全球24 個(gè)城市,主要著重于城區(qū)擴(kuò)建、建筑變化和道路變化等數(shù)據(jù)標(biāo)注.值得注意的是,除了傳統(tǒng)RGB 圖像之外,OSCD 數(shù)據(jù)集還提供了更利于特征提取的多分辨率多光譜圖像.本文之后的實(shí)驗(yàn)都是基于多光譜圖像.為了驗(yàn)證時(shí)序影響,本文測(cè)試集將在原始數(shù)據(jù)集上翻倍,同時(shí)囊括原始數(shù)據(jù)和反時(shí)序數(shù)據(jù).

4.2 實(shí)驗(yàn)參數(shù)設(shè)置

本文網(wǎng)絡(luò)訓(xùn)練的批處理大小設(shè)置為32,學(xué)習(xí)率初始化為10-4.為了防止訓(xùn)練過擬合,訓(xùn)練過程實(shí)施了指數(shù)學(xué)習(xí)率衰減.優(yōu)化器算法的選擇為自適應(yīng)動(dòng)量估計(jì)法(Adam).損失函數(shù)的選擇為二分類交叉熵,其計(jì)算公式如下:

其中,yt表示數(shù)據(jù)集標(biāo)簽,yp表示模型預(yù)測(cè)結(jié)果.實(shí)驗(yàn)整體框架使用PyTorch.所有訓(xùn)練與預(yù)測(cè)過程皆在一臺(tái)英偉達(dá)Tesla K80 GPU 上完成.

遙感變化檢測(cè)學(xué)習(xí)目標(biāo)與二分類語義分割大體相似.因此,本文所采用的評(píng)價(jià)指標(biāo)也源自語義分割任務(wù),即F1 指標(biāo) (F1)、精準(zhǔn)率(P)、召回率 (R)和整體準(zhǔn)確率(OA).其定義如下:

其中,TP代表模型能正確識(shí)別遙感影像變化像素個(gè)數(shù);TN代表模型能正確識(shí)別遙感影像未變化像素個(gè)數(shù);FP代表模型錯(cuò)誤地判定為遙感影像變化像素個(gè)數(shù);FN代表模型錯(cuò)誤地判定遙感影像未變化像素個(gè)數(shù).

4.3 對(duì)比實(shí)驗(yàn)

本文選取了最新的5 個(gè)遙感變化檢測(cè)網(wǎng)絡(luò)與本文所提出的雙通道孿生網(wǎng)絡(luò)進(jìn)行訓(xùn)練有效性與模型精度兩方面的對(duì)比.所選取的網(wǎng)絡(luò)具體介紹如下:

1) CDNet[38]:CDNet是一個(gè)端到端像素級(jí)街景變化檢測(cè)網(wǎng)絡(luò).網(wǎng)絡(luò)結(jié)構(gòu)由收縮模塊和擴(kuò)張模塊組成.

2) FCN-PP[39]:FCN-PP是一個(gè)用于山體滑坡變化測(cè)繪的網(wǎng)絡(luò).其整體框架有編碼器與解碼器構(gòu)建.此外,該網(wǎng)絡(luò)還采用了特征金字塔的結(jié)構(gòu)以獲取更寬泛的視覺感受野.

3) FCN-Siam-conc[20]:FC-Siam-conc是為訓(xùn)練OSCD 數(shù)據(jù)集而提出的網(wǎng)絡(luò).其處理流程分3 步.首先,不同時(shí)相的數(shù)據(jù)通過編碼器分別進(jìn)行編碼.然后,編碼后的特征通過通道拼接的方式送入解碼器進(jìn)行解碼.最后,解碼后的特征經(jīng)過Softmax 操作生成遙感變化圖.

4) FC-Siam-diff[20]:FC-Siam-diff是FC-Siamconc的改進(jìn).其跳躍連接放棄了通道拼接方式的數(shù)據(jù)融合轉(zhuǎn)而使用計(jì)算絕對(duì)值差的方式,引導(dǎo)網(wǎng)絡(luò)直接比較特征差異.

5) FC-EF-Res[3]:FC-EF-Res是為訓(xùn)練高分辨率遙感變化檢測(cè)而提出的網(wǎng)絡(luò).通過部署殘差模塊,該網(wǎng)絡(luò)精度相比FCN-Siam-conc和FCN-Siam-diff 都大幅度提升.

表1展示了各網(wǎng)絡(luò)指標(biāo)比較.圖9繪制了各網(wǎng)訓(xùn)練損失變化情況.圖10挑選了測(cè)試集中的兩個(gè)測(cè)試案例進(jìn)行遙感變化圖的可視化.

表1 雙通道孿生網(wǎng)絡(luò)與其他網(wǎng)絡(luò)的指標(biāo)對(duì)比(%)

圖9 各網(wǎng)絡(luò)的訓(xùn)練損失曲線.

圖10 不同模型在OSCD 測(cè)試集2 個(gè)測(cè)試案例的遙感變化檢測(cè)結(jié)果,圖中白、黑、綠、粉色部分分別代表TP、TN、FP、FN (定義見4.2 節(jié))

上述結(jié)果表明本文所提出的雙通道孿生網(wǎng)絡(luò)相比于其他網(wǎng)絡(luò)有著更好的性能.本文主要將其歸因于兩個(gè)方面.一方面,本文通過對(duì)模型調(diào)整使得模型對(duì)稱.模型能夠?qū)Σ煌瑫r(shí)序的圖像輸入保持輸出恒等.從圖9可以看出,這一點(diǎn)使得模型只需用原始的時(shí)序數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò),網(wǎng)絡(luò)的訓(xùn)練損失可以更快地下降,保證了訓(xùn)練的有效性.另一方面,本文所設(shè)計(jì)的雙通道孿生輸入以及雙通道孿生融合是兩個(gè)輕量級(jí)即插即用模塊.本文將其分別嵌入在網(wǎng)絡(luò)輸入和跳躍連接部分使得網(wǎng)絡(luò)精度大幅提升.

4.4 消融實(shí)驗(yàn)

為了評(píng)估本文所提出的兩個(gè)模塊的性能.在基準(zhǔn)模型的基礎(chǔ)上(圖4),本文設(shè)計(jì)消融實(shí)驗(yàn)逐步添加模塊并驗(yàn)證效果.為了比較注意力機(jī)制性能,本文額外選取了PGA-SiamNet[40]的共注意力機(jī)制與本文的雙通道孿生融合進(jìn)行對(duì)比.實(shí)驗(yàn)指標(biāo)于表2給出.圖11選取了兩個(gè)測(cè)試集樣本并繪制了網(wǎng)絡(luò)處理結(jié)果的熱力圖.

圖11 表2模型在OSCD 測(cè)試集2 個(gè)測(cè)試案例的注意力熱力圖可視化

表2 消融實(shí)驗(yàn)中各網(wǎng)絡(luò)指標(biāo)(%)

結(jié)果表明,共注意力機(jī)制雖然提取不同時(shí)相特征相關(guān)性以提升變化檢測(cè)性能(在lasvegas 測(cè)試案例中),但是對(duì)于小尺寸物像的差異變化信息捕捉較差(在chongqing的測(cè)試案例中).原因之一便是共注意力機(jī)制計(jì)算開銷較大,往往被嵌入在網(wǎng)絡(luò)的深層.在網(wǎng)絡(luò)的深層中,視覺感受野較大往往會(huì)忽略圖像細(xì)節(jié)信息.而本文所提出的雙通道孿生融合模塊,由于其計(jì)算輕量,被嵌入在多處跳躍連接中,以獲得不同尺度感受野的信息融合,以提升對(duì)小尺寸遙感物像變化檢測(cè)的效果.

5 結(jié)論與展望

本文首先指出了時(shí)序影響對(duì)反時(shí)序變化檢測(cè)效果的影響.這種影響使得時(shí)序變化檢測(cè)器無法處理反時(shí)序變化檢測(cè)或者雙向時(shí)序變化檢測(cè)任務(wù).為了客觀地驗(yàn)證這種影響,本文在實(shí)驗(yàn)部分的測(cè)試集將原始數(shù)據(jù)集翻倍,同時(shí)囊括原始數(shù)據(jù)和反時(shí)序數(shù)據(jù).在其他相關(guān)的數(shù)據(jù)集以及網(wǎng)絡(luò)中,類似的問題也可能存在.因此,本文強(qiáng)烈建議加上時(shí)序這一因素重新對(duì)其進(jìn)行指標(biāo)驗(yàn)證.

本文的另一個(gè)貢獻(xiàn)在于提出了雙通道孿生網(wǎng)絡(luò).該網(wǎng)絡(luò)的基準(zhǔn)網(wǎng)絡(luò)是由現(xiàn)有模型重構(gòu)微調(diào).其整體呈現(xiàn)對(duì)稱的特性,對(duì)不同時(shí)序的圖像輸入,都能保證輸出恒等.這一性質(zhì)使得網(wǎng)絡(luò)能夠僅使用原始的時(shí)序數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行更快速更有效地訓(xùn)練.此外,雙通道孿生網(wǎng)絡(luò)嵌入了雙通道孿生輸入和雙通道孿生融合兩個(gè)模塊進(jìn)一步提升了網(wǎng)絡(luò)的精度.本文實(shí)驗(yàn)表明,所提出的網(wǎng)絡(luò)效果無論從訓(xùn)練有效性還是模型精度上都超過了現(xiàn)有的最新模型.此外,本文設(shè)計(jì)的消融實(shí)驗(yàn)驗(yàn)證了所提出的兩個(gè)模塊的性能.這兩個(gè)輕量性模塊可供今后的相關(guān)研究采用.