Habaek: 通过数据扩充与归纳偏置优化的高性能水体分割
计算机视觉与模式识别
2024-10-22 v1 人工智能
摘要
水体分割是灾害响应和水资源管理中的关键任务。当局可能采用高分辨率摄影监测河流、湖泊和水库，从而在农业、产业和保育方面实现更积极的管理。深度学习通过允许CNN、U-Net和transformer等模型处理大量卫星和航空数据，提高了洪水监测。然而，这些模型通常具有显著的处理要求，限制了其在实际应用中的使用。本研究提出了升级SegFormer模型以进行水体分割，通过数据扩充（包括ADE20K和RIWA等数据集）来提升泛化能力。我们研究了归纳偏置对注意力模型的影响，发现SegFormer在更大数据集上表现更好。为了进一步展示数据扩充的功能，采用Low-Rank Adaptation（LoRA）以降低处理复杂度而保持准确性。我们表明，提出的Habaek模型在分割任务中优于当前模型，Intersection over Union（IoU）范围为0.91986至0.94397。就F1分数、召回率、准确率和精确率而言，Habaek的表现优于竞争模型，表明其在实际应用中的潜力。本研究强调了提高结构和包括数据集以有效水体分割的重要性。
关键词
引用
@article{arxiv.2410.15794,
title = {Habaek: High-performance water segmentation through dataset expansion and inductive bias optimization},
author = {Hanseon Joo and Eunji Lee and Minjong Cheon},
journal= {arXiv preprint arXiv:2410.15794},
year = {2024}
}