相关实验视频
Updated: Jun 10, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
376
非对称网络结合CNN和变压器,用于从远程传感图像中提取建筑物
Junhao Chang1, Yuefeng Cen1, Gang Cen1
1School of Information and Electronic Engineering, Zhejiang University of Science and Technology, Hangzhou 310023, China.
Sensors (Basel, Switzerland)
|October 16, 2024
概括
一个新的非对称网络 (CTANet) 通过结合卷积神经网络 (CNN) 和变压器,有效地从遥感图像中提取建筑物. 这种方法提高了准确性,并降低了城市规划和灾难检测等应用的计算成本.
科学领域:
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
- 人工智能的人工智能
背景情况:
- 从遥感数据中精确地提取建筑物的数据对于城市规划,灾害响应和国防至关重要.
- 变压器模型在全球范围内表现出色,但计算密集,缺乏本地细节.
- 卷积神经网络 (CNN) 擅长局部特征提取,但难以处理全球信息.
研究的目的:
- 通过协同利用CNN和变压器架构,提出一个高效准确的建筑提取模型.
- 解决现有模型的局限性,即高计算成本和不足的本地或全球信息处理.
主要方法:
- 推出了CTANet,这是一个不对称的网络,结合了ConvNeXt编码器用于特征提取和双边混合注意力变压器 (BHAFormer) 解码器.
- BHAFormer利用纹理边缘和背景信息进行全球依赖性建模,提高准确性和效率.
- 整合了一种多尺度混合注意力机制模块 (MSM-AMM) 来改进功能,减少噪音,并补偿减少样本信息丢失.
主要成果:
- 在三个基准数据集上,CTANet实现了卓越的性能:马萨诸塞州,WHU和Inria.
- 与最先进的方法相比,该模型显示了最高的F1得分 (86.7%,95.74%,90.52%) 和IoU (76.52%,91.84%,82.68%).
- 拟议的架构有效地平衡全球和本地特征提取,以精确地检测建筑物.
结论:
- CTANet提供了一种高效和有效的解决方案,用于从遥感图像中提取建筑物.
- 整合CNN和变压器组件,以及新的注意力机制,显著推进了这个领域.
- 该模型的强表现突显了其在城市管理和应急响应中的实际应用潜力.
