基于道注意力机制的遥感图像道路网络检测

科学领域:

• 计算机视觉 计算机视觉
• 深度学习 (Deep Learning) 是一种深度学习.
• 遥感 图像分析 图像分析

背景情况:

• 从遥感图像中提取道路网络面临着高训练精度但实际结果差的挑战.
• 深度学习中的注意力机制提供了有效的方法来专注于相关信息并提高绩效.

研究的目的:

• 通过将通道注意力机制与ResNet集成,提高遥感图像中的道路网络检测.
• 解决现有方法的局限性,这些方法在训练准确性和实际提取性能之间存在差距.

主要方法:

• 通过将道注意力机制与ResNet架构相结合,提出了SE-ResNet和ECA-ResNet模型.
• 将这些模型应用于遥感图像数据集,包括马萨诸塞州道路 (MR) 和CHN6-CUG道路.
• 基于准确性,损失收和各种检测指标 (如精度,回忆,IOU和F1分数) 评估性能.

主要成果:

• 与LeNet7和ResNet相比,SE-ResNet和ECA-ResNet的准确性和趋同性相当,计算负载略有增加.
• 尽管收指标相似,但拟议的模型取得了明显更好的最终道路网络检测结果.
• 道注意力机制有效地引导网络优先考虑道路特征并减少非道路特征.

结论:

• 通过远程传感图像,SE-ResNet和ECA-ResNet显示了道路网络检测的准确性和质量的显著改善.
• 道注意力机制是增强这个领域的深度学习模型的宝贵补充.
• 特别是ECA-ResNet显示出在道路网络检测方面有很大的实际应用潜力.