基于深度学习的卫星高光谱影像语义分割
计算机视觉与模式识别
2024-10-28 v4 图像与视频处理
摘要
卫星正日益采用星上人工智能，通过轨道内推理优化操作并提升自主性。利用深度学习（DL）模型在高光谱影像中进行分割为遥感应用带来优势。本工作中，我们训练并测试了20个用于高光谱影像多类分割的模型，这些模型因其未来空间部署潜力而被选中。这些模型包括一维和二维卷积神经网络（CNNs）以及最新的视觉Transformer（ViTs）。我们提出了一种轻量级一维CNN模型，1D-Justo-LiuNet，其在高光谱领域优于最先进的模型。1D-Justo-LiuNet超越了二维CNN UNet的性能，并优于Apple为移动端推理设计的轻量级视觉Transformer。1D-Justo-LiuNet在所有测试模型中以最小的模型规模（4,563参数）取得了最高精度（0.93），同时保持快速推理。与编码光谱和空间信息的二维CNN和ViT不同，1D-Justo-LiuNet仅关注高光谱数据中丰富的光谱特征，受益于高维特征空间。我们的发现经多个卫星数据集验证，以HYPSO-1任务作为海、陆、云分割的主要案例研究。我们通过其他高光谱任务（如NASA的EO-1）的泛化测试进一步确认结论。基于其卓越性能和紧凑规模，我们得出结论：1D-Justo-LiuNet非常适于轨道内部署，为在边缘优化和自动化卫星操作提供有效方案。
引用
@article{arxiv.2310.16210,
title = {Semantic Segmentation in Satellite Hyperspectral Imagery by Deep Learning},
author = {Jon Alvarez Justo and Alexandru Ghita and Daniel Kovac and Joseph L. Garrett and Mariana-Iuliana Georgescu and Jesus Gonzalez-Llorente and Radu Tudor Ionescu and Tor Arne Johansen},
journal= {arXiv preprint arXiv:2310.16210},
year = {2024}
}
备注
Remote Sensing, Satellite Hyperspectral Imagery, Segmentation, Deep Learning, 1D-CNNs, 2D-CNNs, ViTs