高 梁，钱育蓉+，刘 慧

(1.新疆大学 软件学院，新疆 乌鲁木齐 830046；2.新疆大学 信息科学与工程学院，新疆 乌鲁木齐 830046；3.新疆大学 信号检测与处理重点实验室，新疆 乌鲁木齐 830046；4.新疆大学 软件工程重点实验室，新疆 乌鲁木齐 830046)

0 引 言

遥感图像处理在城市规划、农林管理等方面具有重要作用，传统的研究方法主要依赖于图像的光谱、纹理信息，需要大量的人力、物力，并且这些方法往往只针对某几类的地物进行分类，泛化性能较差。近年来，基于深度学习方法在图像处理领域表现出突出的性能。卷积神经网络(convolutional neural network，CNN)在语义分割任务中具有重要的应用。

基于CNN改进的网络，往往会受限于卷积核的大小，只能获取固定大小的感受野，使得图像的上下文信息没有得到充分利用[1]。为了扩大网络的感受野，一些研究者尝试使用多尺度上下文信息的融合的方法[2]、空洞卷积[3-5]的方法、自注意力的方法[6-8]。基于自注意力的Transfor-mer[9-11]可以通过建模全局的上下文信息[12]。但是，Transformer需要在大量数据的预训练前提下，才能达到较好的性能，对于一些中型或者小型的遥感数据集中表现结果较差[13]。

多模态融合模型[14-16]可以综合利用不同模态信息，能够提高网络的分割性能。常见的遥感图像数据集通过俯视拍摄的方式获取，其真实地物高度信息丢失，使得某些地物在水平方向上具有相似的特征，网络容易误分类。除此之外，遥感图像还具有低照度、多遮挡、空间信息不足的特点。仅仅使用RGB图像进行网络训练，无法充分利用遥感图像中的空间信息，提高网络分割的精度。……