RS-Dseg:基于扩散模型组件的高分辨率遥感图像的语义细分,无监督预训练
Zheng Luo1, Jianping Pan2,3,4, Yong Hu5
1College of Smart City, Chongqing Jiaotong University, Chongqing, 402247, China.
Scientific reports
|August 10, 2024
概括
本研究介绍了用于遥感图像语义细分的扩散模型,提高了准确性并解决了类不平衡. 这种新的方法增强了特征提取,并加快了训练,以便更好地解释高分辨率图像.
科学领域:
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
- 机器学习 机器学习
背景情况:
- 语义细分对于遥感图像解释至关重要,特别是对于具有复杂细节的高分辨率数据.
- 挑战包括提取精细的语义信息,并在多类细分任务中管理类不平衡.
研究的目的:
- 提出一种新的方法,使用扩散模型来增强遥感图像的语义细分.
- 解决特征提取和高分辨率遥感数据中的类不平衡方面的挑战.
主要方法:
- 利用基于UNet架构的扩散模型来捕获多尺度特征和上下文信息.
- 整合了一个轻量级分类模块,重视空间通道,专注于重要的特征区域.
- 采用未经监督的预先培训的组件来加速模型的融合.
主要成果:
- 在Postdam,GID和500亿像素数据集上实现了最先进的性能.
- 在GID数据集上,获得了96.99%的整体准确度,92.17%的平均IOU和95.83%的平均F1得分.
- 证明了快速的融合,在30个培训周期内取得了良好的表现.
结论:
- 拟议的扩散模型方法显著提高了遥感图像的语义细分精度.
- 与现有模型相比,该方法提供了更低的参数,更快的训练速度和更高的性能.
- 在高分辨率遥感图像中处理复杂的空间信息和纹理结构时有效.
