从基于深度语义细分网络的高分辨率遥感图像中提取水体
Dechao Sun1, Guang Gao2, Lijun Huang3
1College of Digital Technology and Engineering, Ningbo University of Finance & Economics, Ningbo, China. sundechao123@163.com.
Scientific reports
|June 25, 2024
概括
新的深度学习模型WaterDeep在遥感图像中准确识别城市水体. 它克服了模糊的边界和阴影带来的挑战,改善了水资源管理.
科学领域:
- 遥感 遥感 遥感 遥感
- 人工智能的人工智能
- 水资源管理 水资源管理
背景情况:
- 精确划分城市水生特征对于水资源管理和洪水监测至关重要.
- 高分辨率的遥感图像由于边界模糊和影子错误分类而带来挑战.
研究的目的:
- 引入WaterDeep,这是一个新的深度学习框架,用于准确的城市水生特征提取.
- 解决目前在复杂的城市环境中识别水体的方法的局限性.
主要方法:
- 开发了WaterDeep,这是一个灵感来自DeepLabV3+的框架,具有功能融合机制.
- 利用Xception网络进行低级特征提取和Atrous空间金字塔聚合 (ASPP) 进行多层次数据同化.
- 采用网络解码器和双线插值来提取水生构造.
主要成果:
- 水深实现了高精度 (99.284%),FWIoU (95.58%),精度 (97.562%),回忆 (95.486%) 和F1得分 (96.513%).
- 与现有方法相比,该模型在边缘划分和影子辨别方面表现出卓越的性能.
- 在区分水体方面表现优于当前的深度学习对手.
结论:
- WaterDeep提供了一个强大的解决方案,用于在城市遥感中准确识别水体.
- 该框架在现实世界水资源管理和城市规划方面有着重要的实际应用.
- 创新的功能融合机制提高了模型在复杂环境中的有效性.
