原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
ComputerEngineeringandApplications计算机工程与应用2025，61（3）275
融合注意力与多尺度特征的遥感图像配准
+
倪力政，陈颖，李翔，邓修涵，马腾
上海应用技术大学计算机科学与信息工程学院，上海201418
+通信作者E-mail：Cheny8262@163.com
摘要：针对遥感图像地理信息复杂多变、局部细节与上下文信息难以被充分提取，以及部分配准模型精度较低、用
时较长等问题，提出了一种融合注意力与多阶尺度特征的配准模型，在特征提取阶段引入Transformer与逆残差结构
结合的轻量级卷积网络，通过嵌入混合注意力块加深对通道空间信息的关注，进一步地，为了更有效地捕获上下文
特征信息，使用增强注意力的多尺度扩张卷积模块进行深层次过滤提取，以获取更精细和丰富的特征语义图。在匹
配阶段采用互相关最优加权的双向匹配方法，计算密集对应关系得到双向参数，并通过参数回归网络加权合成最终
变换参数，仿射变换完成图像配准。实验结果表明，关键点正确估计的比例系数为0.03、0.05和0.1的情况下，在三个
数据集上的配准精度达到61.9%、86.2%、93.6%，而平均配准时间仅为1.05s，证明了该模型有效提升遥感图像配准
的精度和效率。
关键词：遥感图像配准；上下文特征；增强注意力；双向匹配
文献标志码：A中图分类号：TP391doi：10.3778/j.issn.1002-8331.2311-0218
RemoteSensingImageRegistrationIntegratingAttentionandMulti-ScaleFeatures
+
NILizheng,CHENYing,LIXiang,DENGXiuhan,MATeng
SchoolofComputerScienceInformationEngineering,ShanghaiInstituteofTechnology,Shanghai201418,China
Abstract：Inviewofthecomplexandchangeablegeographicalinformationofremotesensingimages,thedifficultyin
fullyextractinglocaldetailsandcontextualinformation,andthelowaccuracyandlongtimeofpartialregistrationmodels,
thispaperproposesaregistrationthatcombinesattentionandmulti-scalefeatures.Themodelfirstintroducesalight-
weightconvolutionalnetworkcombiningTransformerandinverseresidualstructureinthefeatureextractionstage,and
deepensthefocusonchannelspatialinformationbyembeddinghybridattentionblocks.Furthermore,inordertocapture
contextualfeatureinformationmoreeffectively,theattention-enhancedmulti-scaledilatedconvolutionmoduleisusedto
performdeepfilteringextractionandobtainmorerefinedandrichfeaturesemanticmaps.Secondly,inthematchingstage,
thecross-correlationoptimalweightedbidirectionalmatchingmetho
文档评论（0）