摘要
由于大规模航拍图像中物体分布复杂且空间布局多样，航拍场景识别任务极具挑战性。近年来的研究尝试探索深度学习模型的局部语义表征能力，但如何精准感知关键局部区域仍是一个亟待解决的问题。本文提出一种局部语义增强卷积网络（Local Semantic Enhanced ConvNet, LSE-Net），旨在模拟人类对航拍场景中关键局部区域的视觉感知机制，以构建具有判别性的局部语义表征。所提出的LSE-Net由上下文增强的卷积特征提取器、局部语义感知模块和分类层三部分组成。首先，我们设计了多尺度空洞卷积算子，以可训练的方式融合多层级、多尺度的卷积特征，从而充分捕捉航拍场景中的局部特征响应。随后，这些特征被输入至双分支的局部语义感知模块。在该模块中，我们提出一种上下文感知的类别峰值响应（Context-aware Class Peak Response, CACPR）度量方法，用于精确刻画关键局部区域的视觉激活特性及其对应的上下文信息。同时，我们还提取了一个空间注意力权重矩阵，以量化各个关键局部区域对整体航拍场景的重要性。最终，经过优化的类别置信度图被送入分类层进行决策。在三个主流航拍场景分类基准数据集上的大量实验表明，所提出的LSE-Net取得了当前最优的识别性能，充分验证了所设计的局部语义感知模块及CACPR度量方法的有效性。