基于 U-Net 架构的卫星图像卷积神经网络分割用于地形识别
计算机视觉与模式识别
2025-02-11 v1
摘要
本研究展示了 U-Net 架构在语义分割领域检测地形的新颖用途。该研究应用 U-Net 模型通过使用卷积神经网络（CNN）分割技术实现有效特征提取。策略性地采用 Dropout 进行正则化以提高模型的韧性，采用 Adam 优化器进行有效训练。该研究充分评估了 U-Net 架构的性能，运用大量预处理后的卫星地形图像。该模型在语义分割任务中表现出色，显示出高分辨率输出、快速特征提取和对广泛应用的灵活性。研究结果凸显了 U-Net 架构在机器学习和图像处理技术领域的重要贡献。该 U-Net 方法强调像素级分类和综合分割图生产，对实际应用如自动驾驶、灾害管理和土地利用规划有帮助。该研究不仅探讨了 U-Net 架构进行语义分割的复杂性，也突出了其在图像分类、分析和地形识别中的实际应用。该研究表明，U-Net 模型在现代技术环境中的关键作用。
引用
@article{arxiv.2502.05476,
title = {Convolutional Neural Network Segmentation for Satellite Imagery Data to Identify Landforms Using U-Net Architecture},
author = {Mitul Goswami and Sainath Dey and Aniruddha Mukherjee and Suneeta Mohanty and Prasant Kumar Pattnaik},
journal= {arXiv preprint arXiv:2502.05476},
year = {2025}
}
备注
6th International Conference on Computational Intelligence and Pattern Recognition