UNeXt:一种高效的网络,用于对高分辨率遥感图像进行语义细分.

科学领域:

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

背景情况:

• 遥感图像的语义细分对于城市规划,灾害评估和环境监测至关重要.
• 遥感数据空间分辨率的增加带来了诸如尺度变化和信息冗余等挑战.
• 现有的基于变压器的方法提供全球上下文,但遭受高计算成本和局部细节的损失.

研究的目的:

• 为高分辨率遥感图像开发实时语义细分模型.
• 解决当前方法的局限性,特别是计算复杂性和细节保存之间的权衡.
• 提高智能遥感数据解释的效率和准确性.

主要方法:

• 提出了UNeXt,这是一个新的语义细分模型,结合了UNet,ConvNeXt和Transformer架构.
• 使用轻量级的ConvNeXt-T作为编码器和集成变压器和卷积神经网络 (CNN) 的Transnext解码器.
• 引入了SC特征保险丝块 (SCFB),以提高空间和通道信息的利用率并降低复杂性.

主要成果:

• 在单个NVIDIA GTX 4090 GPU上,UNeXt实现了97fps的实时性能,用于512x512输入.
• 该模型获得了高准确度,在Vaihingen上达到85.2%的mIoU,在Gaofen5 (GID5) 数据集上达到82.9%.
• 在速度和准确性方面,在最先进的轻量级模型上表现出卓越的性能.

结论:

• UNeXt为高分辨率遥感图像的语义细分提供了一种高效和有效的解决方案.
• 拟议的架构成功地平衡了全球上下文的捕捉与局部细节的保存.
• 该模型显示了智能遥感数据分析中的实用应用的巨大潜力.