Magnifier：基于多粒度神经网络的烧毁区域描绘架构

在危机管理和遥感领域，图像分割发挥着关键作用，使其能够通过分析视觉数据来实现灾害响应和应急规划等任务。神经网络能够分析卫星图像并确定哪些区域受到灾难性事件的影响。当前研究中存在的数据稀缺性以及缺乏广泛基准数据集，限制了大型神经网络模型训练能力的发展。本文提出一种新方法，称为Magnifier，以提高数据有限时的分割性能。Magnifier方法适用于任何现有的编码器-解码器架构，通过采用双编码器方法将不同上下文级别的信息进行合并来扩展模型。在双编码器方法下，Magnifier会对输入数据进行两次分析。具体而言，局部编码器和全局编码器以不同的粒度从同一输入中提取信息。这使Magnifier能够在相同输入图像集合的条件下提取更多信息。Magnifier平均提高了+2.65%的平均 IoU，同时相对于原始模型的可训练参数数量增加控制在合理范围内。我们使用最先进的烧毁区域分割模型对所提出的方法进行了评估，结果表明在平均少于原模型一半的 GFLOPs 的情况下，性能相当或更好。