基于UNetFormer的边界增强的多尺度遥感语义细分模型
JiangQing Wang1,2, Ting Chen1,2, Lu Zheng3,4
1College of Computer Science, South-Central Minzu University, Wuhan, 430074, Hubei, China.
Scientific reports
|April 27, 2025
概括
这项研究引入了一个用于遥感语义细分的新网络,提高了模糊边缘和各种尺度的准确性. 边界增强的多尺度语义细分网络 (BEMS-UNetFormer) 增强了目标边界识别和多尺度特征集成.
科学领域:
- 地质科学是地球科学.
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
背景情况:
- 精确的远程传感数据的语义细分对于地球科学应用至关重要.
- 挑战包括模糊的目标边缘和高分辨率图像中的尺度变化,限制分段精度.
研究的目的:
- 提出一个新的网络,即边界增强多尺度语义细分网络 (BEMS-UNetFormer),以解决遥感数据中的细分精度问题.
- 改进目标边缘的识别和多尺度特征的集成.
主要方法:
- 开发了一种改进的边界意识模块 (BAM),用于从低级特征中提取边缘信息.
- 将边缘信息集成到解码中,使用改进的边界引导融合模块 (BFM).
- 整合了一个多级级级联的形空间金字塔聚合 (MSC-ASPP) 模块,用于多级特征挖矿.
主要成果:
- 在波茨坦和Vaihingen数据集上进行测试,分别达到86.12%和83.10%的平均IOU (MIoU).
- 与基线模型相比显著改善 (1.38%和1.79%的MIoU增加).
- 在具有挑战性的数据集中,在"汽车"和特定类别 ("建筑","低Veg") 等小目标中获得了高的IOU和F1分数.
结论:
- 拟议的BEMS-UNetFormer有效地提高了远程传感数据的语义细分精度.
- 与现有方法相比,该方法在细分小规模目标和精确边界方面表现出卓越的表现.
