TMNet:一个双分支的多级语义细分网络,用于远程传感图像
Yupeng Gao1,2, Shengwei Zhang3,4, Dongshi Zuo1,2
1School of Computer and Information Engineering, Inner Mongolia Agricultural University, Hohhot 010011, China.
Sensors (Basel, Switzerland)
|July 14, 2023
概括
本研究介绍了TMNet,这是一个用于远程传感图像语义细分的新型深度学习网络. TMNet使用Swin变压器增强了全球特征提取,提高了像素级分析的准确性.
科学领域:
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
- 人工智能的人工智能
背景情况:
- 遥感图像中的像素级信息对于各种应用至关重要.
- 卷积神经网络 (CNN) 在语义分割中与全球特征提取和上下文理解作斗争.
- 纯CNN模型通常在远程传感图像分析中产生低于最佳的精度.
研究的目的:
- 为远程传感图像设计一种新的双分支多级语义细分网络 (TMNet).
- 增强全球特征信息和语境语义交互的提取.
- 在遥感应用中提高语义细分的精度.
主要方法:
- 开发了一个双分支编码器-解码器网络架构.
- 整合了Swin Transformer,以提高全球功能编码能力.
- 一个多尺度的特征融合模块 (MFM),特征增强模块 (FEM) 和通道增强模块 (CEM) 被设计并纳入.
主要成果:
- 在WHDLD和波茨坦数据集上,TMNet表现出色.
- 整合Swin变压器改善了全球特征提取.
- 拟议的MFM,FEM和CEM模块有效地提高了特征提取和语义细分精度.
结论:
- TMNet 在远程传感图像的语义细分方面取得了重大进展.
- 该网络有效地结合了本地和全球特征提取,以提高准确性.
- 拟议的架构组件有助于在分析遥感数据时提供卓越的性能.
