基于变压器-CNN混合架构的无人机遥感的土地覆盖分类
Tingyu Lu1,2, Luhe Wan1,2, Shaoqun Qi1,2
1College of Geographical Sciences, Harbin Normal University, Harbin 150025, China.
Sensors (Basel, Switzerland)
|June 10, 2023
概括
一个新的深度学习模型,DE-UNet,通过远程传感图像改进了土地覆盖面的绘制. 通过结合全球和本地特征提取,它实现了比现有方法更高的准确性.
科学领域:
- 遥感 遥感 遥感 遥感
- 地理空间分析的研究.
- 人工智能的人工智能
背景情况:
- 准确的土地覆盖地图对于环境监测和资源管理至关重要.
- 深度学习,特别是卷积神经网络 (CNN),已经推进了远程传感图像分析.
- 虽然CNN在局部特征提取方面表现出色,但在远程依赖方面却存在困难.
研究的目的:
- 提出一个新的语义细分网络,DE-UNet,用于高精度的土地覆盖地图.
- 解决CNN在遥感数据中捕捉远距离关系方面的局限性.
- 加强全球和本地上下文信息的整合,以提高分类准确性.
主要方法:
- 开发了DE-UNet,一个双编码器语义细分网络.
- 采用混合架构,将Swin Transformer用于全球功能和CNNs用于本地功能.
- 利用来自无人机的遥感图像进行实验验证.
主要成果:
- 在测试的模型中,DE-UNet实现了最高的分类准确性.
- 该模型显示,与UNet相比,平均整体准确度提高了0.28%,与UNet++相比提高了4.81%.
- 整合变压器显著提高了该模型的装配能力,用于远程传感数据.
结论:
- 拟议的DE-UNet有效地整合了全球和地方特征,用于优质的土地覆盖地图.
- 基于变压器的架构在增强远程传感应用的深度学习模型方面显示出巨大的潜力.
- DE-UNet提供了一种有前途的方法,用于使用智能提取方法高精度地覆盖分类.
