业界最全遥感图像语义分割Benchmark发布啦!还有提高小目标分割性能的C2FNet等你pick!

本文主要是介绍业界最全遥感图像语义分割Benchmark发布啦!还有提高小目标分割性能的C2FNet等你pick!,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

遥感图像语义分割是图像分割领域的一个重要的垂类应用,有着广泛的需求和实际应用价值,尤其在灾害评估、农作物产量估计和土地变化监测等领域有着不可替代的作用。相比于自然图像的语义分割,遥感图像语义分割由于有其自身的特殊性和挑战性,如遥感图像存在大量微小目标,这就要求分割方法和结果要足够精细。
自然图像和遥感图像对比
自然图像和遥感图像对比

基于飞桨PaddleSeg的遥感图像分割Benchmark

近年来,随着人工智能技术的发展,深度学习成为图像语义分割领域的主流技术。但由于遥感图像预处理、模型设置、训练超参数等条件的不同,导致很多研究者在同一个遥感语义分割数据集上取得的表现会存在较大的差异。为了解决这个问题,飞桨与百度研究院大数据实验室合作,基于飞桨图像分割套件PaddleSeg,联合发布了一套完整的遥感图像分割Benchmark。我们测试了不同模型在多个遥感图像语义分割数据集上的性能,为广大开发者提供了一套可复现比较的标准基线。和已经发表的遥感图像语义分割模型相比,PaddleSeg提供的模型在遥感图像语义分割领域可以取得SOTA性能,部分性能数据如下所示。

  • 以下性能数据均来自:
    https://github.com/PaddlePaddle/PaddleSeg
     不同模型在iSAID数据集上的表现
    不同模型在iSAID数据集上的表现
    在这里插入图片描述
    不同模型在ISPRS Potsdam数据集上的表现
    在这里插入图片描述不同模型在ISPRS Vaihingen数据集上的表现

**

自监督预训练模型性能比较

**

此次,我们还引入了近期比较流行的自监督预训练模型,即首先在大规模遥感图像数据集上对骨干网络进行预训练,然后利用遥感图像语义分割数据在下游任务上进行微调。我们在Million-AID和DOTA2.0两个遥感图像数据集上应用自监督学习方法。为了获得充足的遥感数据,我们将两个遥感数据集内不同分辨率的图像剪裁至512x512。剪裁后的Million-AID数据集包含2,500,000张遥感图像切片,DOTA2.0数据集包含1,700,000张遥感图像切片,最终各方法性能数据如下所示。

  • 以下性能数据均来自:
    https://github.com/PaddlePaddle/PaddleSeg
    在这里插入图片描述
    基于ImageNet-1k的自监督预训练模型在遥感图像分割任务上的表现
    在这里插入图片描述
    基于遥感图像的自监督预训练模型在遥感图像分割任务上的表现

遥感图像小目标分割模型C2FNet

针对遥感图像语义分割的小目标问题,我们提出了一个由粗粒度到细粒度的二阶段分割模型C2FNet。受到人工标注过程的启发,C2FNet首先对遥感图像进行一次粗分割,并通过粗分割结果定位出小目标所在区域,然后对小目标所在的区域进行放大和进一步的细分割,最后对两次分割结果进行融合,从而提升小目标分割能力。如图7所示是CFNet模型结构示意。
图片
C2FNet模型示意图

C2FNet在主流遥感图像分割数据集iSAID上取得小目标分割SOTA性能。相比于基线模型,C2FNet对小目标如小型车辆、船舶、直升机等类别,mIoU最高提升可达2.19个百分点。并且C2FNet架构具有通用性,可适用于各种语义分割模型,对小目标分割结果均有不同程度的提升。

在这里插入图片描述
C2FNet在iSAID数据集上的表现。with ours表示采用C2FNet架构

注:SH表示船舶、LV表示大型车辆、SV表示小型车辆、HC表示直升机、SP表示游泳池、PL表示飞机、HA表示港口。
图片
分割结果可视化

通过上图,我们可以看出C2FNet可以分割出更多的小目标像素,缓解基线模型对小目标分割能力不足的问题。

总结

针对遥感图像分割领域基线不统一的问题,我们利用PaddleSeg在不同的遥感分割数据集上进行了测试,提供了可比较的SOTA基线,完善了PaddleSeg对遥感图像的支持。同时引入近期比较流行的自监督预训练模型,给广大开发者提供了更多的选择。针对遥感图像的小目标分割问题,我们提出了C2FNet二阶段分割框架,在小目标分割任务上取得SOTA性能。

本次提供的模型在PaddleSeg仓库的develop分支下可下载,欢迎star支持!

https://github.com/PaddlePaddle/PaddleSeg/tree/develop/contrib/RSSegBenchmark

小伙伴们还在等什么,一起用PaddleSeg玩转遥感图像分割吧~

关注【飞桨PaddlePaddle】公众号获取更多技术内容~

这篇关于业界最全遥感图像语义分割Benchmark发布啦!还有提高小目标分割性能的C2FNet等你pick!的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/841726

相关文章

SpringKafka消息发布之KafkaTemplate与事务支持功能

《SpringKafka消息发布之KafkaTemplate与事务支持功能》通过本文介绍的基本用法、序列化选项、事务支持、错误处理和性能优化技术,开发者可以构建高效可靠的Kafka消息发布系统,事务支... 目录引言一、KafkaTemplate基础二、消息序列化三、事务支持机制四、错误处理与重试五、性能优

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

Spring Boot结成MyBatis-Plus最全配置指南

《SpringBoot结成MyBatis-Plus最全配置指南》本文主要介绍了SpringBoot结成MyBatis-Plus最全配置指南,包括依赖引入、配置数据源、Mapper扫描、基本CRUD操... 目录前言详细操作一.创建项目并引入相关依赖二.配置数据源信息三.编写相关代码查zsRArly询数据库数

python+opencv处理颜色之将目标颜色转换实例代码

《python+opencv处理颜色之将目标颜色转换实例代码》OpenCV是一个的跨平台计算机视觉库,可以运行在Linux、Windows和MacOS操作系统上,:本文主要介绍python+ope... 目录下面是代码+ 效果 + 解释转HSV: 关于颜色总是要转HSV的掩膜再标注总结 目标:将红色的部分滤

新特性抢先看! Ubuntu 25.04 Beta 发布:Linux 6.14 内核

《新特性抢先看!Ubuntu25.04Beta发布:Linux6.14内核》Canonical公司近日发布了Ubuntu25.04Beta版,这一版本被赋予了一个活泼的代号——“Plu... Canonical 昨日(3 月 27 日)放出了 Beta 版 Ubuntu 25.04 系统镜像,代号“Pluc

Redis中高并发读写性能的深度解析与优化

《Redis中高并发读写性能的深度解析与优化》Redis作为一款高性能的内存数据库,广泛应用于缓存、消息队列、实时统计等场景,本文将深入探讨Redis的读写并发能力,感兴趣的小伙伴可以了解下... 目录引言一、Redis 并发能力概述1.1 Redis 的读写性能1.2 影响 Redis 并发能力的因素二、

C++字符串提取和分割的多种方法

《C++字符串提取和分割的多种方法》在C++编程中,字符串处理是一个常见的任务,尤其是在需要从字符串中提取特定数据时,本文将详细探讨如何使用C++标准库中的工具来提取和分割字符串,并分析不同方法的适用... 目录1. 字符串提取的基本方法1.1 使用 std::istringstream 和 >> 操作符示

Python中DataFrame转列表的最全指南

《Python中DataFrame转列表的最全指南》在Python数据分析中,Pandas的DataFrame是最常用的数据结构之一,本文将为你详解5种主流DataFrame转换为列表的方法,大家可以... 目录引言一、基础转换方法解析1. tolist()直接转换法2. values.tolist()矩阵

Golang中拼接字符串的6种方式性能对比

《Golang中拼接字符串的6种方式性能对比》golang的string类型是不可修改的,对于拼接字符串来说,本质上还是创建一个新的对象将数据放进去,主要有6种拼接方式,下面小编就来为大家详细讲讲吧... 目录拼接方式介绍性能对比测试代码测试结果源码分析golang的string类型是不可修改的,对于拼接字

Nginx实现前端灰度发布

《Nginx实现前端灰度发布》灰度发布是一种重要的策略,它允许我们在不影响所有用户的情况下,逐步推出新功能或更新,通过灰度发布,我们可以测试新版本的稳定性和性能,下面就来介绍一下前端灰度发布的使用,感... 目录前言一、基于权重的流量分配二、基于 Cookie 的分流三、基于请求头的分流四、基于请求参数的分