利用U-Net和选择性特征提取用于使用遥感图像进行土地覆盖分类
Leo Thomas Ramos1,2, Angel D Sappa3,4
1Computer Vision Center, Universitat Autònoma de Barcelona, Barcelona, 08193, Spain. ltramos@cvc.uab.cat.
Scientific reports
|January 4, 2025
概括
这项研究增强了U-Net使用SK-ResNeXt进行土地覆盖分类,提高了多光谱成像的准确性. 新模型在细分复杂的土地覆盖类型方面表现出色,优于现有方法.
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:
- 土地覆盖分类 (LCC) 对于环境监测至关重要.
- 传统的U-Net架构面临着在多谱成像 (MSI) 中具有多尺度特征和空间分辨率变化的挑战.
研究的目的:
- 增强U-Net架构,以使用MSI改进LCC.
- 将SK-ResNeXt集成为编码器,以捕获多尺度特征并适应空间分辨率变化.
主要方法:
- 该研究建议将SK-ResNeXt与LCC的U-Net集成在一起.
- 五亿像素数据集 (150张RGB-NIR图像,5亿像素,24个类别) 用于评估.
- 性能与基线U-Net和其他模型 (如DeepLabV3,SegFormer和PSPNet) 相比较.
主要成果:
- 用SK-ResNeXt增强的U-Net在RGB,RG-NIR和RGB-NIR配置的整体精度 (OA) 和平均交叉点在Union (mIoU) 中取得了显著的改进.
- 与基线U-Net相比,改善幅度从5.312%到6.928%在OA和8.906%到6.938%在mIoU之间.
- 增强型模型的性能优于既定和最先进的方法,特别是在划分具有挑战性的类别,如水体和工业区.
结论:
- 集成SK-ResNeXt有效地增强了基于MSI的LCC的U-Net.
- 提出的方法在细分复杂的土地覆盖类型方面表现出卓越的表现.
- 这种方法为准确和强大的土地覆盖地图提供了一个有前途的解决方案.


