一种基于AS-Unet++的语义细分方法,用于对图像进行功率遥感

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:

• 电力传输线路的自动规划需要精确的特征识别从遥感图像.
• 遥感数据中的特征信息显示出不同的深度和不均的分布.
• 现有的方法可能无法充分捕捉复杂地形的多深度特征.

研究的目的:

• 提出一种新的语义细分方法,AS-Unet++,用于改进远程传感图像中的特征识别.
• 提高在不同深度捕捉特征的能力,提高识别准确度.
• 为了减少训练参数的数量,同时保持或提高性能.

主要方法:

• 通过将Atrous空间金字塔聚合 (ASPP) 和Squeeze-and-Excitation (SE) 模块集成到传统的U-Net架构中开发了AS-Unet.
• 通过堆叠AS-Unet的不同层来构建AS-Unet++以使多深度特征的学习成为可能.
• 实施了修剪机制,以优化网络深度,并在确定最佳配置后减少参数.

主要成果:

• 与标准的U-Net.相比,AS-Unet++在不同深度的自动学习功能方面表现出卓越的性能.
• 拟议的方法实现了远程传感图像特征的识别精度的显著整体改进.
• 修剪策略有效地减少了训练参数的数量,从而产生了更高效的模型.

结论:

• AS-Unet++为远程传感图像分析中的语义细分提供了强大而准确的解决方案.
• 该架构有效地解决了因不同特征深度和不均分布所带来的挑战.
• 这一进步有助于通过增强的图像识别来更精确地自动规划输电线路.