在雷达和遥感图像中进行无监督的二进制语义分割的双子U-Net架构

科学领域:

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

背景情况:

• 在单通道图像中对象细分具有挑战性,因为信息有限和目标多样化.
• 现有的方法在海洋雷达,医疗和遥感图像中与混乱的背景作斗争.

研究的目的:

• 提出Onet,一个由双胞胎U-Nets组成的O形集合,用于无监督的二进制语义细分.
• 在不需要注释标签的情况下实现高性能细分.

主要方法:

• 在训练中,Onet使用强度互补的图像对.
• 它最大化了局部特征和类概率图之间的Jensen-Shannon分歧 (JSD).
• 该模型利用U-Net对称性来增强功能依赖性.

主要成果:

• 在对海洋雷达目标和遥感云进行细分方面,Onet表现出卓越的性能.
• 该模型显著提高了海上雷达目标的信号噪声比 (SNR).
• 在无监督的细分任务中取得了最先进的结果.

结论:

• 在具有挑战性的单通道图像中,Onet为无监督的语义细分提供了强大的解决方案.
• 该方法可以在噪音较大的环境中提高目标的可见性,如海上雷达.
• 由于Onet的开源可用性,这有助于进一步的研究和应用.