Resumen

Se propone un algoritmo de segmentación semántica de imágenes de teledetección basado en la red ENet mejorada para mejorar la precisión de la segmentación. En primer lugar, se introducen las convoluciones dilatadas y las convoluciones de descomposición en la etapa de codificación. Se utilizan en conjunto con la convolución ordinaria para aumentar el campo receptivo del modelo. Cada salida de convolución contiene un rango más amplio de información de la imagen. En segundo lugar, en la etapa de decodificación, se obtiene la información de imagen de diferentes escalas a través de la operación de upsampling y luego a través de las operaciones de compresión, excitación y reponderación del módulo Squeeze and Excitation (SE). El peso de cada canal de características se recalibra para mejorar la precisión de la red. Finalmente, se utilizan la función de activación Softmax y la función Argmax para obtener el resultado final de segmentación. Los experimentos muestran que nuestro algoritmo puede mejorar significativamente la precisión de la segmentación semántica de imágenes de teledetección.

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Imagen de teledetección; Algoritmo de segmentación semántica; Red ENet mejorada; Convolución dilatada; Módulo Squeeze and Excitation; Función de activación Softmax
• Keywords:Remote sensing image; Semantic segmentation algorithm; Improved ENet network; Dilated convolution; Squeeze and Excitation module; Softmax activation function