从基于增强的U-Net和多尺度信息融合的高空间分辨率遥感图像中提取水体

科学领域:

• 遥感 遥感 遥感 遥感
• 计算机视觉 计算机视觉
• 地理空间分析的研究.

背景情况:

• 语义细分的深度学习是从遥感数据绘制水体的关键.
• 目前的模型由于复杂的背景,相似的物体 (植被,阴影) 和各种水体特征而难以处理高分辨率图像.
• 精确的水体提取对于水文研究和环境监测至关重要.

研究的目的:

• 开发一个新的深度学习网络,EU-Net,以在高分辨率遥感图像中增强水体的语义细分.
• 解决现有模型在将水与复杂的陆地特征和各种水体外观的区别方面的局限性.

主要方法:

• 拟议的EU-Net使用的是U-Net的骨干架构.
• 包含了改进的剩余连接,用于复杂的特征学习.
• 整合了注意力机制,以增强特征的可区分性.
• 采用多尺度扩展卷积,以有效地扩大受体场.
• 具有多尺度功能融合模块,用于处理各种图像尺度和空间背景.

主要成果:

• 欧盟网络在从高分辨率遥感图像中准确识别水体方面表现出卓越的性能.
• 该模型在提取水的精度上优于现有方法,特别是在具有挑战性的场景中.
• 实验验证证证实了拟议的建筑组件的有效性.

结论:

• 欧盟网络通过高分辨率遥感数据在水体的语义细分方面取得了重大进展.
• 网络的设计有效地处理复杂的细节和复杂的背景,从而提高了准确性.
• 这项研究为更精确的水资源绘图和分析提供了强大的工具.