DAS-SK：集成双空洞可分离卷积和选择性核 CNN 的自适应模型用于农业语义分割
计算机视觉与模式识别
2026-02-10 v1
摘要
高分辨率农业影像中的语义分割要求模型在准确性和计算效率之间取得精妙的平衡，以便在实际系统中实现部署。本文提出 DAS-SK，一种新型轻量级架构，将选择性核卷积 (SK-Conv) 引入双空洞可分离卷积 (DAS-Conv) 模块，以强化多尺度特征学习。模型进一步增强了空洞空间金字塔池化 (ASPP) 模块，实现对细粒度局部结构与全局上下文信息的捕获。基于修改后的 DeepLabV3 框架构建，采用两种互补的主干网络——MobileNetV3-Large 和 EfficientNet-B3，DAS-SK 模型缓解了大数据集需求、光谱泛化受限以及通常限制在无人机和其他边缘设备上部署的高计算成本。广泛的实验在三个基准数据集上进行：LandCover.ai、VDD 和 PhenoBench，结果表明 DAS-SK 在语义分割任务中持续实现最先进的性能，同时比 CNN、Transformer 和混合模型更高效。值得注意的是，DAS-SK 的参数数量最多比顶级 Transformer 模型少 21 倍，GFLOPs 少 19 倍。这些发现表明 DAS-SK 作为一种稳健、高效且可扩展的解决方案，适用于实时农业机器人和高分辨率遥感，具有广泛应用于其他视觉领域的潜力。
引用
@article{arxiv.2602.08168,
title = {DAS-SK: An Adaptive Model Integrating Dual Atrous Separable and Selective Kernel CNN for Agriculture Semantic Segmentation},
author = {Mei Ling Chee and Thangarajah Akilan and Aparna Ravindra Phalke and Kanchan Keisham},
journal= {arXiv preprint arXiv:2602.08168},
year = {2026}
}
备注
13 pages