HyperAIHyperAI
vor 17 Tagen

Hi-ResNet: Kanten-Detailverstärkung für die Segmentierung hochauflösender Fernerkundungsdaten

Yuxia Chen, Pengcheng Fang, Jianhui Yu, Xiaoling Zhong, Xiaoming Zhang, Tianrui Li
Hi-ResNet: Kanten-Detailverstärkung für die Segmentierung hochauflösender Fernerkundungsdaten
Abstract

Die semantische Segmentierung hochauflösender Fernerkundungsbilder (HRS) zielt darauf ab, zentrale Objekte aus großflächigen, hochauflösenden Aufnahmen zu extrahieren. Allerdings zeigen Objekte derselben Kategorie in HRS-Bildern aufgrund unterschiedlicher geographischer Umgebungen erhebliche Unterschiede hinsichtlich Skalierung und Form, was die Anpassung an die Datenverteilung erschwert. Zudem führt eine komplexe Hintergrundumgebung dazu, dass Objekte verschiedener Kategorien ähnliche visuelle Merkmale aufweisen, wodurch eine große Anzahl von Objekten fälschlicherweise als Hintergrund klassifiziert wird. Diese Herausforderungen machen bestehende Lernalgorithmen suboptimal. In dieser Arbeit lösen wir die genannten Probleme durch die Einführung eines Hochauflösenden Fernerkundungsnetzwerks (Hi-ResNet) mit effizienten Netzwerkstrukturdesigns. Das Netzwerk besteht sequenziell aus einem Trichtermodul, einem mehrfach verzweigten Modul mit Stapeln von Informationsaggregationsschichten (IA-Blöcken) sowie einem Merkmalsverfeinerungsmodul sowie einer Klassenunabhängigen Kantenerkennungsverlustfunktion (CEA-Loss). Speziell schlagen wir ein Trichtermodul zur Downsampling-Operation vor, das die Berechnungskosten reduziert und hochauflösende semantische Informationen aus dem ursprünglichen Eingabebild extrahiert. Zweitens werden die verarbeiteten Merkmalsbilder schrittweise in mehrere Multi-Resolution-Zweige heruntergeproportionalisiert, um Merkmale auf unterschiedlichen Skalen zu erfassen. Hierbei werden IA-Blöcke eingesetzt, die mithilfe von Aufmerksamkeitsmechanismen zentrale latente Informationen erfassen und eine effektive Merkmalsaggregation ermöglichen, wodurch sich Bilder derselben Klasse mit variierender Skalierung und Form besser unterscheiden lassen. Schließlich integriert unser Merkmalsverfeinerungsmodul die CEA-Verlustfunktion, die Objekte verschiedener Klassen mit ähnlichen Formen voneinander unterscheidet und die Distanz der Datenverteilung für korrekte Vorhersagen erhöht. Mit effektiven Vortrainingsstrategien zeigen wir die Überlegenheit von Hi-ResNet gegenüber aktuellen State-of-the-Art-Methoden auf drei HRS-Segmentierungsbenchmarks.

Hi-ResNet: Kanten-Detailverstärkung für die Segmentierung hochauflösender Fernerkundungsdaten | Neueste Forschungsarbeiten | HyperAI