相关实验视频
Updated: Jul 10, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
研究使用高效的轻量级残余网络从遥感图像中提取建筑物的研究
Ai Gao1, Guang Yang1
1School of Information Engineering, Institute of Disaster Prevention, Sanhe, China.
PeerJ. Computer science
|June 10, 2024
概括
本研究引入了一种高效的轻量级残余网络 (ELRNet),用于从遥感图像中准确地自动提取建筑物. ELRNet平衡了高精度和降低计算需求,使其成为智能城市建设等应用的实用性.
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:
- 从高分辨率遥感图像中自动提取建筑物对于城市规划和应急响应至关重要.
- 深度学习,特别是卷积神经网络 (CNN),已经提升了建筑提取,但往往需要大量的计算资源.
- 由于参数数量高和资源需求,现有的方法在效率和实用性方面面临限制.
研究的目的:
- 为建筑提取提出一种新型高效的轻质残余网络 (ELRNet),以平衡精度和计算成本.
- 设计一个包含轻量级特征提取模块 (LFEM) 和有效通道注意力 (ECA) 的编码器-解码器架构.
- 为了证明ELRNet在现实世界遥感场景中的实际应用性.
主要方法:
- 开发了ELRNet,这是一个编码解码网络,包含下采样块和轻量级特征提取模块 (LFEM).
- 在LFEM中内置深度因子化的卷积和有效通道注意力 (ECA),以增强特征提取和通道相互作用.
- 在WHU建筑数据集上对ELRNet进行评估,将其性能与SegNet和U-Net等既有网络进行比较.
主要成果:
- 在WHU建筑数据集上,ELRNet实现了88.24%的交叉与联盟 (IoU) 交叉.
- 该网络的高效率仅为2.92 GFLOPs和0.23万个参数.
- 对比分析显示,ELRNet在准确性-效率权衡方面表现优于六个最先进的基线网络.
结论:
- 在精度和计算效率之间,ELRNet提供了卓越的平衡,用于从非常高分辨率的遥感图像中自动提取建筑物.
- 拟议的网络设计适用于计算资源是限制的实际应用.
- 该研究为遥感图像分析和智慧城市发展领域提供了宝贵的贡献.
