基于多种 EfficientNet 骨干的 U-Net++ 架构用于高分辨率卫星影像自动建筑物提取的性能分析
计算机视觉与模式识别
2023-10-12 v1 机器学习
图像与视频处理
摘要
建筑物提取是遥感科学中一项重要的研究内容，建筑物提取应用高度依赖于高分辨率遥感影像的语义分割。然而，当前基于深度学习的方法中存在语义信息提取的差距约束，可能导致分割结果不充分。为解决该问题并高精度提取建筑物，本研究提出了多种基于 EfficientNet 骨干的 U-Net++。所设计的网络基于 U-Net，可通过深度监督与大量重新设计的跳跃连接提高模型的敏感性，从而减少背景中无关特征区域的影响。在训练网络时采用了多种基于 EfficientNet 骨干的编码器，以增强模型提取更相关特征的能力。根据实验发现，所提模型显著优于以往的先进方法。在 5 种 EfficientNet 变体中，基于 efficientb4 的 Unet++ 取得了最佳结果，在公开的 Massachusetts 建筑物数据集上获得了 92.23% 的平均准确率、88.32% 的平均交并比（mean IoU）和 93.2% 的平均精确率，从而展示了该模型用于高分辨率卫星影像自动建筑物提取的潜力。
引用
@article{arxiv.2310.06847,
title = {Performance Analysis of Various EfficientNet Based U-Net++ Architecture for Automatic Building Extraction from High Resolution Satellite Images},
author = {Tareque Bashar Ovi and Nomaiya Bashree and Protik Mukherjee and Shakil Mosharrof and Masuma Anjum Parthima},
journal= {arXiv preprint arXiv:2310.06847},
year = {2023}
}
备注
12 Pages,Keywords: Deep learning,satellite image,transfer learning,segmentation,deep supervision