LOGCAN++ : Réseau adaptatif local-global pour la segmentation sémantique des images de télédétection

Les images de télédétection sont généralement caractérisées par des arrière-plans complexes, des variations d'échelle et d'orientation, ainsi qu'une grande variance intra-classe. Les méthodes de segmentation sémantique générales échouent souvent à examiner pleinement ces problèmes, ce qui limite leurs performances en matière de segmentation d'images de télédétection. Dans cet article, nous proposons notre modèle LOGCAN++, une méthode de segmentation sémantique spécifiquement conçue pour les images de télédétection, composée d'un module de Conscience Globale des Classes (GCA) et de plusieurs modules de Conscience Locale des Classes (LCA). Le module GCA capture des représentations globales pour la modélisation du contexte au niveau des classes, réduisant ainsi l'interférence du bruit de fond. Le module LCA génère des représentations locales de classe en tant qu'éléments perceptuels intermédiaires, permettant une association indirecte des pixels avec les représentations globales de classe, visant à résoudre le problème de grande variance intra-classe. En particulier, nous introduisons des transformations affines dans le module LCA pour l'extraction adaptative des représentations locales de classe, afin d'assurer une tolérance efficace aux variations d'échelle et d'orientation dans les images acquises par télédétection. Des expériences approfondies sur trois jeux de données de référence montrent que notre LOGCAN++ surpasse les méthodes actuelles主流的通用和遥感语义分割方法，并在速度和准确性之间实现了更好的平衡。代码可在 https://github.com/xwmaxwma/rssegmentation 获取。Note: 为了保持法语文本的连贯性和自然性，最后一句进行了适当的调整以避免重复“semantic segmentation”（语义分割）。此外，“主流的通用和遥感语义分割方法”被翻译为“les méthodes actuelles générales et spécialisées en télédétection”，这是对原文意思的一种更自然的表达。Les expériences approfondies sur trois jeux de données de référence montrent que notre LOGCAN++ surpasse les méthodes actuelles générales et spécialisées en télédétection et réalise un meilleur compromis entre vitesse et précision. Le code est disponible à l'adresse https://github.com/xwmaxwma/rssegmentation.