CDUNet: Detección de Nubes UNet para Imágenes de Teledetección

La detección de nubes es un paso clave en el preprocesamiento de imágenes de teledetección ópticas por satélite. En la literatura existente, los métodos de detección de nubes se dividen en métodos de umbral y métodos de aprendizaje profundo. La mayoría de los métodos tradicionales de umbral se basan en las características espectrales de las nubes, por lo que es fácil perder la información de ubicación espacial en el área de alta reflexión, lo que resulta en una clasificación errónea. Además, debido a la falta de generalización, la red de aprendizaje profundo tradicional también pierde fácilmente los detalles y la información espacial si se aplica directamente a la detección de nubes. Para resolver estos problemas, proponemos un modelo de aprendizaje profundo, Cloud Detection UNet (CDUNet), para la detección de nubes. Las características de la red son que puede refinar el límite de división de la capa de nubes y capturar su información de posición espacial. En el modelo propuesto, introdujimos un Extractor de Características de Alta Frecuencia (HFE) y una Convolución Multiescala (MSC) para refinar el límite de las nubes y predecir nubes fragmentadas. Además, para mejorar la precisión de la detección de nubes delgadas, se introdujo el mecanismo de Atención Espacial Prevista (SPSA) para establecer la información de posición espacial de las nubes. Adicionalmente, se propone un mecanismo de atención dual para reducir la proporción de información redundante en el modelo y mejorar el rendimiento general del modelo. Los resultados experimentales mostraron que nuestro modelo puede hacer frente a escenas de cobertura de nubes complejas y tiene un rendimiento excelente en conjuntos de datos de nubes y conjuntos de datos SPARCS. Su precisión de segmentación es mejor que la de los métodos existentes, lo que es de gran importancia para el trabajo relacionado con la detección de nubes.