基于新型自适应特征聚合方法的遥感图像中的云检测
Wanting Zhou1, Yan Mo1,2, Qiaofeng Ou1
1School of Information Engineering, Nanchang Hangkong University, Nanchang 330063, China.
Sensors (Basel, Switzerland)
|February 26, 2025
概括
一个新的网络模型,NFCNet,改善了远程传感中的云检测. 它准确地识别云边界和薄云,即使在复杂的条件下,也超过了现有的方法.
科学领域:
- 遥感 遥感 遥感 遥感
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 云检测对于遥感数据预处理至关重要.
- 准确识别云边界和薄云仍然具有挑战性,特别是在复杂的场景中.
研究的目的:
- 设计和评估NFCNet,这是一个用于增强云检测的新型网络模型.
- 为了提高云边界细分和薄云定位的准确性.
主要方法:
- NFCNet包含三个关键的子模块:混合卷积注意力模块 (HCAM),空间金字塔融合注意力 (SPFA) 和双流卷积聚合 (DCA).
- HCAM提取多个尺度的特征,并优先考虑关键信息.
- SPFA可自适应地融合功能,以恢复丢失的细节,并在升级样本过程中加强重要信息.
- DCA集成了高层和低层功能,以保持对细节的敏感性.
主要成果:
- 在HRC_WHU,CHLandsat8和95-Cloud数据集上,NFCNet表现出卓越的性能.
- 与现有的最佳方法相比,拟议的算法实现了云边界的细分.
- NFCNet提供了更精确的微妙薄云的定位.
结论:
- NFCNet有效地解决了云边界检测和薄云识别方面的挑战.
- 该网络的架构使得远程传感图像中的云细分能够更准确和详细.
