使用 EffUNet 和迁移学习方法进行建筑物和道路分割
本研究基于 U-Net 设计了一种基于 efficientNet 骨干网络的 U-Net++ 模型,通过深度监督和密集的重新设计的跳跃连接,以及对背景中不相关特征区域影响的减弱,提高了模型的敏感性,实验结果表明该模型在提取高分辨率卫星图像中的建筑方面优于其他先进方法,其中基于 efficientb4 的 Unet++ 取得了最佳结果,平均准确率为 92.23%,平均 IoU 为 88.32%,平均精确度为 93.2%。
Sep, 2023
本研究提出了一种创新的深度学习自动道路检测方法,通过融合低分辨率卫星图像和 GPS 轨迹数据的策略,对早期和后期融合进行深入研究,并使用不同的融合设置评估基于深度学习的道路检测性能。研究结果显示,ResUnet 模型在道路提取任务中优于 U-Net 和 D-Linknet,以及使用低分辨率 Sentinel-2 数据的基准研究,从而为自动道路检测领域作出贡献,并为各种应用中的数据融合方法提供了新的见解。
Dec, 2023
提出了一种名为 ResUNetFormer 的深度语义分割神经网络,利用残差学习、HetConvs、UNet 和视觉变压器的能力,用于精准道路提取。在公开的马萨诸塞州道路数据集上,统计和视觉结果表明了 ResUNetFormer 比卷积神经网络和视觉变压器更优。
Jun, 2023
建筑提取是从遥感图像中分割建筑像素的目标,它在城市规划和城市动态监测等多个应用中起着重要作用。本文通过利用深度学习方法中的一种新型不确定性感知网络(UANet),提出了一个解决传统深度学习模型中不确定预测问题的有效解决方案,并通过实验证明了其比其他先进算法具有更好的性能。
Jul, 2023
通过提出基于密集连接的粗细特征融合解码器网络以及宽容的深度监督和蒸馏策略,提高了当前建筑物分割网络的学习效率和有效性,超越先前的工作并在各种新开发的编码器网络上展现出卓越的性能和效率。
Jul, 2023
本文提出了一种基于 ResUNet-a 深度学习架构和 Dice 损失函数的可靠框架,用于进行单时相高分辨率航空图像的语义分割,并对多种广义 Dice 损失函数进行了性能分析和介绍了一种新的变异损失函数,该模型在 ISPRS 2D Potsdam 数据集上的平均 F1 分数为 92.9%,在所有类别方面均达到了最新性能。
Apr, 2019
使用地球观测和深度学习方法,该论文旨在充分利用完全卷积神经网络来实现多类建筑物实例分割,以实现相对较高的像素度量分数,进而在缺乏适当城市规划的地区实现密集区域和贫民窟地区的高准确性结果,并以黎巴嫩为案例,成功产生了首个包含约 100 万个单位且准确率达 84% 的综合性国家建筑物足迹地图。
Apr, 2024
本文旨在利用 Pytorch 从零开始实现 UNet 模型并在多个生物医学图像数据集上评估其性能,另外,我们使用迁移学习将修改后的 UNet 分割模型应用于生物医学图像数据集,发现迁移学习模型在图像分割方面表现更为优异。
May, 2023
本文提出了一种基于 light-weight general purpose architecture、light-weight upsampling 以及融合多重分辨率的特征来扩大接受域的语义分割方法,在多个数据集上获得显着的优越性能和较高的 MIoU 和帧率。
Mar, 2019