跨尺度高精度错坡场向量化提取的双模{\Omega}类超分辨Transformer网络——{\Omega}SFormer
计算机视觉与模式识别
2024-11-27 v1
摘要
错坡场是土壤水利（SWC）中的重要工程实践。从遥感影像中提取错坡场是监测和评估SWC的基础。本研究首次提出一种 novel 双模{\Omega}类超分辨Transformer网络用于智能TFVE，具有以下优势：（1）通过在编码器每一步融合原始高分辨率特征与下采样特征，利用多头注意力机制，减少常规多尺度下采样编码器的边缘分割误差；（2）通过提出{\Omega}类网络结构，充分整合来自光谱数据和地形数据的高级特征，形成跨尺度超分辨特征，提高TFVE准确性；（3）验证了跨模态和跨尺度（即遥感影像与 DEM 空间分辨率不一致）超分辨特征提取的最优融合方案；（4）通过粗到细和空间拓扑语义关系优化（STSRO）分割策略，缓解分割边缘像素之间的不确定性；（5）利用轮廓振动神经网络持续优化参数并迭代化错误坡场的语义分割结果。此外，首次创建了一个面向深度学习的TFVE数据集（DMRVD），覆盖中国四省九个研究区域，总覆盖面积为22441平方公里。通过与经典和SOTA网络进行比较，评估了{\Omega}SFormer的性能。{\Omega}SFormer分别相对于最佳单模态遥感影像、单模态 DEM 和双模态结果，mIOU分别提高了0.165、0.297和0.128。
引用
@article{arxiv.2411.17088,
title = {{\Omega}SFormer: Dual-Modal {\Omega}-like Super-Resolution Transformer Network for Cross-scale and High-accuracy Terraced Field Vectorization Extraction},
author = {Chang Li and Yu Wang and Ce Zhang and Yongjun Zhang},
journal= {arXiv preprint arXiv:2411.17088},
year = {2024}
}