一个改进的DeepLabv3 +铁路轨道提取算法,基于密集连接和注意力机制
Yanbin Weng1, Jie Yang2, Changfan Zhang3
1School of Computer Science, Hunan University of Technology, Tianyuan District, Zhuzhou, 412007, China. wengyb@hut.edu.cn.
Scientific reports
|January 20, 2025
概括
这项研究介绍了DA-DeepLabv3+,这是一种用于从空中图像中提取铁路轨道的轻量级算法. 与现有方法相比,它提高了准确性并减少了处理时间.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 遥感 遥感 遥感 遥感
背景情况:
- 从无人机 (UAV) 图像中提取铁路轨道面临着准确性和效率方面的挑战.
- 现有的深度学习模型通常具有高的计算成本和参数数量.
研究的目的:
- 开发一种轻量级且准确的铁路轨道分割算法,使用无人机空中图像.
- 为了解决当前方法中低提取精度和高时间消耗的局限性.
主要方法:
- 拟议的DA-DeepLabv3+算法使用MobileNetV2来减少参数.
- 集成的空心空间金字塔聚合 (ASPP) 具有级联的空心卷积和多尺度的注意模块.
- 开发了一个多层次的上采样模块,用于增强边界轮提取.
主要成果:
- 在专门的铁路轨道数据集上实现了87.52%的mIoU和97.59%的准确性.
- 在DeepGlobe数据集上获得了85.01%的mIoU和94.84%的准确性.
- 在准确性和速度方面表现出优于U-Net和DeepLabv3+的性能.
结论:
- DA-DeepLabv3+为自动化铁路轨道提取提供了显著的进步.
- 该算法为基于无人机的铁路监控提供了计算效率高和高度准确的解决方案.
