改进的网络模型进行多光谱云阴影图像分割研究  

作　　者：冀学龙 

机构地区：[1]中国矿业大学<北京>人工智能学院,北京100080

出　　处：《信息记录材料》2024年第12期239-242,共4页Information Recording Materials

基　　金：中央高校基本科研业务费专项资金资助(2024ZKPYZN01);中国矿业大学(北京)大学生创新训练项目资助(202304033)。

摘　　要：云和阴影的检测与分割在遥感图像处理中具有重要意义。本研究通过对比三种不同的深度学习模型结构:U形网络(U-shaped network, UNet)、改进的UNet++以及结合了Swin Transformer(分层视觉Transformer,使用偏移窗口)的Swin-UNet(分割改编),评估它们在小数据集上对云和阴影分割效果。实验数据集选用遥感影像去云数据集,包含450组带有label(标签)和mask(掩模)的遥感图像。实验结果表明,尽管Swin-UNet模型在准确率上略高,达到了81.39%,但在小数据集上易出现过拟合和训练波动问题;改进后的UNet++模型增加了多个跳跃连接和批归一化层,最高准确率达到80.18%,且训练过程中的波动较小。UNet++模型在保持高准确率的同时,显著提高了模型的稳定性和泛化能力。本文的研究为在资源有限环境下进行高效的云和阴影分割提供了理论依据和实践指导,证明了适当改进的小模型在小数据集上的应用潜力。

关 键 词：遥感图像处理 云和阴影检测 深度学习 语义分割 卷积神经网络 

分 类 号：TP751[自动化与计算机技术—检测技术与自动化装置]