IASUNet: 改良型Attention Swin-UperNetに基づく建物抽出

科学分野:

• リモートセンシング
• 地理空間分析
• コンピュータビジョン

背景:

• 構造物の正確な空間理解は、環境、都市安全、資源管理、計画にとって重要です。
• 既存のモデルは、複雑な都市リモートセンシングにおけるグローバルコンテキストの扱いに苦労しており、建物の割合が異なることによるマルチスケール課題が生じています。

研究 の 目的:

• リモートセンシング画像における精密な建物分類のための強化されたAttention Swin-UperNet（IASUNet）モデルを導入すること。
• グローバルコンテキスト情報の抽出を改善し、都市景観に固有のマルチスケール課題に対処すること。

主な方法:

• Swin TransformerエンコーダーとUperNetデコーダーの間に畳み込みブロック注意モジュール（CBAM）を統合しました。
• クラスの不均衡とマルチスケールの問題を管理するために、Focal Cross Entropy（FCE）損失を実装しました。

主要な成果:

• IASUNetモデルは、元のモデルと比較して優れたパフォーマンスを示しました。
• 建物識別のための平均精度（mAcc）と平均Intersection over Union（mIoU）で大幅な改善が観察されました。

結論:

• 強化されたAttention Swin-UperNet（IASUNet）モデルは、精密な建物分類精度を効果的に向上させます。
• この進歩は、リモートセンシングデータのより良い分析を通じて、環境保護、都市安全、資源最適化、都市計画を支援します。