基于旋转操作和残余转换的深层网络,用于从遥感图像中进行建筑细分
Shuzhe Zhang1, Taoyi Chen2, Fei Su1
1School of Surveying and Geo-Informatics, Shandong Jianzhu University, Jinan 250101, China.
Sensors (Basel, Switzerland)
|April 26, 2025
概括
本研究介绍了C_ASegformer,这是一个新的深度学习模型,用于在高分辨率遥感 (HRS) 图像中对建筑物进行细分. 它增强了特征表示,以提高构建细分任务的准确性.
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:
- 高分辨率遥感 (HRS) 图像在建筑物细分方面存在挑战,原因是捕获详细和整体信息的局限性.
- 现有的深度学习模型经常因功能表示不足而扎,无法从HRS数据中准确地提取建筑物.
研究的目的:
- 提出一种新的深度学习模型,C_ASegformer,用于在HRS图像中增强建筑细分.
- 改进层次和上下文信息的整合,以实现更强大的特征表示.
主要方法:
- 开发了一个深层增强融合 (DLEF) 模块,以整合来自不同受体领域的层次信息.
- 引入了三重注意 (TA) 模块,以捕捉建筑物与环境之间的相互依赖.
- 设计了一个多级扩展连接 (MDC) 模块,以有效地捕获多个规模的上下文关系.
主要成果:
- 在基准数据集 (包括马萨诸塞州数据集) 上,C_ASegformer实现了高性能.
- 在马萨诸塞州的数据集上,获得了95.42%的整体准确度 (OA),85.69%的F1得分和75.46%的平均交叉点与联盟 (mIoU).
- 与多个数据集的最先进模型相比,证明了更高的准确性.
结论:
- 拟议的C_ASegformer模型有效地解决了当前用于HRS图像中的建筑细分方法的局限性.
- 新型模块 (DLEF,TA,MDC) 显著提高了特征表示和上下文理解,从而提高了细分精度.
- 该模型的性能验证了其复杂性和有效性,用于从遥感数据中进行详细的建筑提取.
