GLE-net:全球-本地信息增强,用于远程传感图像的语义细分

科学领域:

• 计算机视觉 计算机视觉
• 地理空间分析是什么
• 机器学习 机器学习

背景情况:

• 遥感 (RS) 图像为细分提供了丰富的数据,但卷积神经网络 (CNN) 却难以理解全球背景.
• 现有的方法往往无法在RS图像中完全捕获全面的空间信息.

研究的目的:

• 开发一种新的遥感图像细分模型 (GLE-Net),有效地整合全球和本地特征.
• 通过利用Swin-Transformer和专用功能模块,提高分段精度,特别是在较小的目标上.

主要方法:

• 推出了GLE-Net,这是一个混合模型,将CNN与Swin-Transformer结合起来,以改进全球上下文建模.
• 使用多级特征融合模块 (MFM) 进行丰富的语义和本地化特征提取.
• 使用特征压缩模块 (FCM) 来减少特征地图大小并保留细节.
• 使用空间信息增强模块 (SIEM) 集成本地和全球功能.

主要成果:

• 在公共ISPRS遥感数据集上,GLE-Net显著提高了性能.
• 该模型取得了显著的实验结果,展示了其在RS图像细分方面的有效性.
• 整合Swin-Transformer和定制模块增强了该模型处理复杂场景和小物体的能力.

结论:

• 通过有效地建模全球背景,GLE-Net为远程传感图像细分提供了一种强大的方法.
• 拟议的架构显示了在地理空间分析和图像理解方面推进科学研究的巨大潜力.
• 该模型的设计解决了传统CNN在处理大规模遥感数据方面的关键局限性.