DDU-Net：基于域分解的用于多GPU高分辨率图像分割的CNN
计算机视觉与模式识别
2025-04-25 v3 分布式、并行与集群计算
机器学习
摘要
超高分辨率图像的分割面临着空间信息丢失或计算效率低下的挑战。本文提出了一种结合编码器-解码器结构与域分解策略以解决这些挑战的新方法。具体而言，引入了基于域分解的U-Net（DDU-Net）架构，将输入图像划分为可以在独立设备上独立处理的非重叠块。添加了通信网络以促进块间信息交换，以增强对空间上下文的理解。对通信网络的有效性进行了在设计用于衡量通信网络效果的合成数据集上的实验验证。随后在DeepGlobe地覆盖分类数据集上进行了实际基准测试。结果表明，包括用于划分为 非重叠子图像的块间通信的模型，相对于不包含块间通信的相同网络模型，实现了2-3个百分点更高的交并比（IoU）得分。具有通信功能的网络的性能等同于在完整图像上训练的基线U-Net模型，表明我们的模型为在保持空间上下文的同时对超高分辨率图像进行分割提供了有效解决方案。代码已公开 https://github.com/corne00/DDU-Net。
引用
@article{arxiv.2407.21266,
title = {DDU-Net: A Domain Decomposition-Based CNN for High-Resolution Image Segmentation on Multiple GPUs},
author = {Corné Verburg and Alexander Heinlein and Eric C. Cyr},
journal= {arXiv preprint arXiv:2407.21266},
year = {2025}
}