用于语义分割的差分形态学剖面神经网络

架空遥感图像的语义分割可应用于制图、城市规划和灾害响应。最先进的分割网络通常是在地面视角照片上开发和调优的，并未直接解决诸如极端尺度变化、前景-背景不平衡以及大图像尺寸等遥感挑战。我们探讨了将差分形态学剖面（DMP，一种基于灰度形态学的多尺度形状提取方法）整合到现代分割网络中。先前的研究表明，DMP 可为深度神经网络提供关键的形状信息，从而在架空图像中实现更优的检测与分类性能。在本工作中，我们将先前的 DMPNet 工作扩展至分类和目标检测之外，将 DMP 特征整合到三种最先进的卷积和 Transformer 语义分割架构中。我们采用了直接输入和混合架构两种方式：前者调整特征提取架构的输入主干以接受 DMP 通道，后者则是一种融合 RGB 和 DMP 编码器的双流设计。使用 iSAID 基准数据集，我们评估了多种 DMP 差分和结构元素形状，以更有效地向模型提供形状信息。结果表明，尽管非 DMP 模型通常优于直接输入变体，但混合 DMP 始终优于直接输入，并且能够在 mIoU、F1 和 Recall 上超越非 DMP 模型。