波网:一种基于特征聚合和特征分散的海洋水产养殖区域提取框架,用于合成孔径雷达图像

科学领域:

• 海洋水产养殖的可持续性
• 遥感用于环境监测的环境监测.
• 在地理空间分析中的深度学习应用.

背景情况:

• 海洋水产养殖监测对于可持续性至关重要.
• 合成孔径雷达 (SAR) 与传统水产养殖监测方法相比具有优势.
• 现有的深度学习模型与SAR图像噪声和多尺度结构作斗争,导致水产养殖地区的细分不准确.

研究的目的:

• 从SAR图像中开发一个改进的深度学习模型,用于准确地从SAR图像中对海洋水产养殖地区进行语义细分.
• 解决SAR图像中斑点噪声和多尺度物体检测的挑战.
• 提高海洋水产养殖监测系统的准确性和可靠性.

主要方法:

• 提出了一个新的波浪网架构,包括特征聚合和分散部分.
• 利用不对称的V形子网络来提取多个规模的全球和本地特征.
• 使用不对称的形子网络来改进对象边界.
• 集成的剩余连接和重建损失用于特征融合和参数优化.

主要成果:

• 拟议的波网模型有效地处理了SAR图像中的斑点噪声和多尺度结构.
• 通过准确地划定水产养殖区边界,实现了更好的细分精度.
• 与现有方法相比,表现出优越的性能,特别是在有限的培训样本上.

结论:

• 波浪网 (Wave-Net) 提供了一个强大的解决方案,用于SAR图像中的海洋水产养殖区的语义细分.
• 模型精确界限的能力显著提高了监测准确度.
• 这种进步有助于在海洋水产养殖中采取更可持续的做法.