在远程传感图像中通过MR-DeepLabv3+网络进行精确的建筑语义细分
Yiming Wang1, Lunhua Shang2, Yu Liu1
1Luoyang Institute of Science and Technology, Luoyang, 471023, China.
Scientific reports
|November 17, 2025
概括
这项研究引入了MR-DeepLabv3+用于改进远程传感图像细分,有效解决模糊边界和小建筑错误分类等问题. 这种新型网络提高了准确性和效率,特别是在基于无人机的绘图应用中.
科学领域:
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
- 人工智能的人工智能
背景情况:
- 遥感图像细分面临的挑战是不完整的轮,模糊的界限和小建筑的错误分类.
- 现有的模型往往难以捕捉多个尺度的特征,并在复杂的城市景观中保持对噪声的强度.
研究的目的:
- 提出和评估一个新的深度学习网络,MR-DeepLabv3+,用于在遥感图像中增强建筑细分.
- 为了提高准确性和稳定性,在各种数据集中对各种建筑类型进行细分,包括小型和精细结构.
主要方法:
- 将MixConv与适应数据集的多尺度卷积内核 (3×3,5×5,7×7) 集成在一起,以获得卓越的多尺度特征提取.
- 实现了针对细分优化的R-Drop Loss功能,具有解码器级通道智能掩盖和动态KL分歧,以获得噪声稳定性.
- 在三个不同的建筑数据集上进行实验验证:自建,WHU和马萨诸塞州,与基线DeepLabv3+和变压器模型进行比较.
主要成果:
- 在所有测试的数据集中,MR-DeepLabv3+实现了高性能指标:准确性 (Acc),平均交叉点在欧盟 (MIoU) 和频率加权交叉点在欧盟 (FWIoU).
- 与基线DeepLabv3+和四个最近的变压器模型相比,在构建细分任务上表现出卓越的性能.
- 拟议的网络在模型紧性和推理效率之间呈现出良好的平衡,适合资源有限的环境.
结论:
- MR-DeepLabv3+有效地提高了遥感图像中的建筑细分精度,大大减轻了小型建筑检测和轮定义的问题.
- 该方法为基于无人机的绘图等应用提供了实际价值,提供了可靠和高效的建筑细分解决方案.
- 该网络的稳定性和效率使其成为现实世界遥感图像分析的强大候选人.
