基于深度学习的多光谱光学与微波数据语义分割
计算机视觉与模式识别
2024-11-13 v1 图像与视频处理
摘要
目前，深度学习和卷积神经网络（CNN）广泛应用于图像处理、图像分类、目标识别等领域。本工作实现了基于卷积神经网络的改进 U-Net 模型和 VGG-UNet 模型，用于从高分辨率印度遥感卫星拍摄的卫星影像中自动识别目标，并将卫星数据逐像素分类为各类别。本文使用了 Cartosat-2S（约 1 m 空间分辨率）数据集，利用深度学习模型从测试数据集中检测建筑物形状和船只，准确率超过 95%。在另一实验中，以 RISAT-1 的微波数据（分辨率不一）为输入，从这些数据集中检测船只和树木，准确率超过 96%。针对多类别图像分类，深度学习模型在多光谱 Cartosat 图像上训练。模型生成的结果随后利用实地实况进行测试。多标签分类结果的交并比（IoU）准确率优于 95%。共尝试了六个不同问题，视复杂程度不同，IoU 准确率在 85% 至 98% 之间。
引用
@article{arxiv.2411.07581,
title = {Semantic segmentation on multi-resolution optical and microwave data using deep learning},
author = {Jai G Singla and Bakul Vaghela},
journal= {arXiv preprint arXiv:2411.07581},
year = {2024}
}