扫码下载APP

您的位置

资讯详情

本人可编辑资讯

仅支持在APP编辑资讯扫描二维码即可下载APP

郑州大学最新研究:基于改进UNet的优化遥感图像语义分割精度的深度学习方法

论论资讯 | 2023-05-14 1热度

Scientific Reports

Explore content

About the journal

Publish with us

A deep learning method for optimizing semantic segmentation accuracy of remote sensing images based on improved UNet

Wang Xiaolei; Hu Zirong; Shi Shouhai; Hou Mei; Xu Lei; Zhang Xiang

Published:2023-05-10
DOI:10.1038/s41598-023-34379-2

研究背景

随着遥感图像技术的不断发展,遥感图像在很多领域扮演着重要的角色。但是,由于遥感图像包含着各种不同大小的地理物体和各种地形,因此对其进行语义分割是一项具有挑战性的任务。目前,如何提高遥感图像的语义分割准确性成为了该领域的研究热点。

研究内容

在这篇论文中,研究人员提出了一种名为自适应特征融合 UNet(Adaptive Feature Fusion UNet,AFF-UNet)的卷积网络,用于优化遥感图像的语义分割性能。该模型具有三个关键方面:(1)密集的跳跃连接结构和自适应特征融合模块,通过自适应地加权不同级别的特征映射来实现自适应特征融合;(2)通道注意力卷积块,使用定制配置获取不同通道之间的关系;(3)空间注意力模块,获取不同位置之间的关系。AFF-UNet在两个公共遥感图像数据集上进行了评估,并与其他模型进行了定量和定性比较。Potsdam数据集的结果显示,该模型在平均F1分数方面比DeepLabv3+提高了1.09%,整体准确性提高了0.99%。视觉定性结果也证明了该模型在减少物体类别混淆、分割不同大小的物体类别和保持物体完整性方面表现更好。因此,AFF-UNet模型可以优化遥感图像的语义分割准确性。

研究意义

这项研究提出了一种新的方法来优化遥感图像的语义分割性能。与其他模型相比,AFF-UNet在准确性和视觉效果方面表现更好。这项研究的创新点在于提出了自适应特征融合模块和通道注意力卷积块,这些模块可以提高遥感图像的语义分割准确性。因此,这项研究对于遥感图像的应用具有重要的意义。

微信扫码即可查看