S3Former: 自监督高分辨率 Transformer 用于太阳能光伏轮廓化

随着气候变化的影响日益加剧, 全球转向可持续能源的必要性愈发凸显。可再生能源已成为一种可行的解决方案, 其中光伏能源因其可靠性和效率成为小型安装的首选选择。准确映射光伏安装情况对于理解其采纳范围并为能源政策提供信息至关重要。为满足这一需求, 我们引入 S3Former, 旨在从空中图像中分割太阳能电池板并提供有助于分析此类安装对电网影响的尺寸和位置信息。太阳能电池板识别因各种因素而具备挑战性, 包括不同天气条件、屋顶特征、地面采样距离变化以及缺乏针对优化训练的合适初始化权重。为克服这些复杂性, S3Former 采用掩码注意力掩码 Transformer, 集成自监督学习预训练主干网络。具体而言, 我们的模型利用来自主干网络中提取的低级和高级特征, 并在 Transformer 架构上 incorporates 实例查询机制以增强太阳能光伏安装的定位。我们引入自监督学习阶段(预文本任务)以提高 S3Former 主干网络的初始化权重。我们使用多样化数据集评估了 S3Former, 并展示了其对比最新模型的改进。