DDUNet：用于高度效率云分割的双动态U-Net
计算机视觉与模式识别
2025-01-28 v1 图像与视频处理
摘要
云分割是将图像中的云像素与非云像素分离的过程。当前深度学习方法在云分割方面存在三个不足:(a)由于卷积核固定大小，其感受野受限;(b)对不同情景的鲁棒性不足;(c)需要大量参数且难以实现实时。为解决这些问题，我们提出一种双动态U-Net(DDUNet)用于监督云分割。DDUNet遵循U-Net架构，集成两个关键模块:动态多尺度卷积(DMSC)，改进不同感受野下的特征融合；动态权重和偏置发生器(DWBG)于分类层中，以增强泛化能力。更重要的是，由于采用深度可分离卷积，DDUNet是轻量级网络，可在SwinySEG数据集上以仅0.33M参数实现95.3%准确率，并在SwinySEG数据集的三个不同配置下在准确率和效率方面均表现优异。
引用
@article{arxiv.2501.15385,
title = {DDUNet: Dual Dynamic U-Net for Highly-Efficient Cloud Segmentation},
author = {Yijie Li and Hewei Wang and Jinfeng Xu and Puzhen Wu and Yunzhong Xiao and Shaofan Wang and Soumyabrata Dev},
journal= {arXiv preprint arXiv:2501.15385},
year = {2025}
}
备注
5 pages