LGD-DeepLabV3+:通过多级特征融合和全球建模进行远程传感语义细分的增强框架
Xin Wang1,2, Xu Liu1, Adnan Mahmood2
1College of Information and Technology, Jilin Agricultural University, Changchun 130118, China.
这项研究通过改进输入特征,全球上下文建模和解码器融合来增强遥感语义细分,在基准数据集上实现更高的准确性. 拟议的插电模块为复杂的空中和卫星图像分析提供了实用解决方案.
科学领域:
- 计算机视觉 计算机视觉
- 地理空间分析的研究.
- 机器学习 机器学习
背景情况:
- 遥感语义细分面临诸如尺度变化,类相似性,远程依赖性和影子遮蔽等挑战,特别是在高分辨率图像中.
- 高分辨率传感器 (卫星,天线,无人机) 提供了广泛的覆盖范围,但由于不同的获取条件,引入了域移动.
- 像DeepLabV3+这样的现有模型与复杂的边界和不足的远程依赖模型作斗争.
研究的目的:
- 为了提高遥感语义细分精度和边界划分.
- 解决当前细分模型关于尺度变化,上下文聚合和特征融合的局限性.
- 开发Plug-and-Play模块,以提高各种遥感管道的性能.
主要方法:
- 引入了功能映射网络,以简化复杂的数据分布,以改善网络优化和功能分离性.
- 纳入了ASPP后的路由式全球建模模块,以增强远程依赖性建模和跨区域语义一致性.
- 设计了一个融合模块,以改善解码器中浅细节和深层语义之间的交互,通过跨层特征对齐来促进联合学习.
主要成果:
- 在欧盟 (mIoU) 上的平均交叉点上取得了显著的改进:在LoveDA上为8.83%,在ISPRS波茨坦数据集上为6.72%.
- 与基线相比,体现了质量上更清晰的对象界限和更稳定的区域注释.
- 验证了拟议的模块的插即用性质,以便轻松集成到现有的遥感系统中.
结论:
- 对DeepLabV3+的提议增强有效地解决了遥感语义细分方面的关键挑战.
- 集成模块提供了实用的准确性-效率权衡,提高了高分辨率图像的细分性能.
- 该方法为地理空间分析中的各种成像传感器系统提供了强大的和可适应的解决方案.
更多相关视频
12:26Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling SAHM
Published on: October 11, 2016
08:17A Semantic Priming Event-related Potential ERP Task to Study Lexico-semantic and Visuo-semantic Processing in Autism Spectrum Disorder
Published on: April 12, 2018
相关概念视频
Global Climate Change
Nuclear Fusion
A helium nucleus has a mass that is 0.7% less than that of four hydrogen nuclei; this lost mass is converted into energy during the fusion. This reaction produces about...
The Sense of Self: Reflected Self-Appraisal and Social Comparison
Self-Evaluation: Self-Enhancement and Self-Verification
Introduction to Special Senses
Leveling Effect
