Seabed-Net：用于浅水区域遥感影像中深度估计和海床分类的多任务网络
计算机视觉与模式识别
2025-11-12 v1 人工智能
摘要
准确、详尽且定期更新的深度信息与复杂语义内容的结合, 对正面临日益严峻气候和人类干扰压力的未开发浅水环境至关重要. 然而, 现有方法要么从遥感影像中推导出深度, 要么推导出海床类别, 两者往往是孤立处理的, 牺牲了其相互作用的潜在收益, 阻碍了深度学习方法的更广泛采用. 为此, 我们引入 Seabed-Net, 一个统一的多任务框架, 同时从各种分辨率的遥感影像中预测深度和像素级海床分类. Seabed-Net 采用用于深度估计和像素级海床分类的双分支编码器, 通过注意力特征融合模块和窗口化 Swin-Transformer 融合块整合跨任务特征, 通过动态任务不确定性加权平衡目标. 在两个异构海岸地点的大规模评估中, 它持续优于传统经验模型和传统机器学习回归方法, 实现深度 RMSE 降低最高可达 75%. 它在与最新单任务和多任务基线方法比较时, 将深度 RMSE 降低 10-30%, 并将海床分类准确率提高最高可达 8%. 定性分析进一步表明, 联合建模深度与底质和海床栖息地具有协同效应, 为集成浅水区域制图提供了稳健、开放的解决方案. 代码和预训练权重已公开于 https://github.com/pagraf/Seabed-Net.
引用
@article{arxiv.2510.19329,
title = {Seabed-Net: A multi-task network for joint bathymetry estimation and seabed classification from remote sensing imagery in shallow waters},
author = {Panagiotis Agrafiotis and Begüm Demir},
journal= {arXiv preprint arXiv:2510.19329},
year = {2025}
}
备注
Submitted to ISPRS Journal of Photogrammetry and Remote Sensing