IASUNet: extracción de edificios basada en la mejora de la atención Swin-UperNet

Área de la Ciencia:

• Teledetección
• Análisis Geoespacial
• Visión por Computadora

Sus antecedentes:

• La comprensión espacial precisa de las estructuras es crucial para la seguridad ambiental y urbana, la gestión de recursos y la planificación.
• Los modelos existentes tienen dificultades con el contexto global en teledetección urbana compleja, lo que genera desafíos multiescala debido a las diferentes proporciones de los edificios.

Objetivo del estudio:

• Introducir un modelo mejorado de Swin-UperNet con atención (IASUNet) para la clasificación precisa de edificios en imágenes de teledetección.
• Mejorar la extracción de información contextual global y abordar los desafíos multiescala inherentes a los paisajes urbanos.

Principales métodos:

• Integración de un Módulo de Atención de Bloque Convolucional (CBAM) entre el codificador Swin Transformer y el decodificador UperNet.
• Implementación de la pérdida Focal Cross Entropy (FCE) para gestionar el desequilibrio de clases y los problemas multiescala.

Principales resultados:

• El modelo IASUNet demostró un rendimiento superior en comparación con el modelo original.
• Se observaron mejoras significativas en la precisión promedio (mAcc) y la media de la Intersección sobre Unión (mIoU) para la identificación de edificios.

Conclusiones:

• El modelo mejorado de Swin-UperNet con atención (IASUNet) mejora eficazmente la precisión de la clasificación precisa de edificios.
• Este avance apoya la protección del medio ambiente, la seguridad urbana, la optimización de recursos y la planificación urbana a través de un mejor análisis de datos de teledetección.