LOANet:一种使用对象注意力的轻量级网络,用于从无人机空中遥感图像中提取建筑物和道路
Xiaoxiang Han1,2, Yiman Liu3,4, Gang Liu5
1School of Medical Instruments, Shanghai University of Medicine and Health Sciences, Shanghai, People's Republic of China.
一个新的轻量级网络LOANet,在无人机 (UAV) 图像中增强了建筑物和道路的语义细分. 这种深度学习方法提高了准确性,同时保持了小型模型大小,以实现高效的测量和绘制地图.
科学领域:
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 传统的手动对空中图像进行细分是劳动密集型的.
- 深度学习为遥感中的语义细分提供了更有效的方法.
- 开发轻量级但准确的模型对于实际应用至关重要.
研究的目的:
- 提出一个轻量级网络 (LOANet) 来从无人机图像中准确地对建筑物和道路进行语义细分.
- 通过降低参数和计算成本来提高模型效率.
- 改进上下文信息捕获,以更好地表现特征.
主要方法:
- 一种使用轻型密集连接网络 (LDCNet) 作为编码器的编码器解码器架构.
- 在解码器中具有双重多尺度上下文模块,其中包括Atrous空间金字塔聚合 (ASPP) 和对象注意模块 (OAM).
- 特征金字塔网络 (FPN) 用于融合多个尺度的特征.
主要成果:
- 拟议的LOANet在私人无人机数据集上实现了出色的平均跨欧盟交叉点 (mIoU).
- 基本模型只有1.4M的参数和5.48G的FLOP.
- 在公共数据集 (LoveDA,CITY-OSM) 上的验证证实出色的性能.
结论:
- 在无人机遥感中,LOANet为建筑物和道路的语义细分提供了有效和高效的解决方案.
- 该网络的轻量级设计使其适用于资源有限的环境.
- 拟议的架构成功地整合了多层次的上下文和对象注意力,以提高准确性.
更多相关视频
09:19Measuring the Structure, Composition, and Change of Underwater Environments with Large-area Imaging
Published on: April 18, 2025
08:09Measuring and Mapping Patterns of Soil Erosion and Deposition Related to Soil Carbonate Concentrations Under Agricultural Management
Published on: September 12, 2017
相关概念视频
Topographic Surveying and Contours
Design Example: Alignment of a Road Line Using GIS
Design Example: Identifying the Locations of Monuments in the Field Using Global Positioning System Device
Methods of Obtaining Topography
GIS Software, Hardware, and Sources of GIS Data
Levels of Use of a GIS
