Key points are not available for this paper at this time.
원거리 감지 이미지의 의미론적 세분화는 환경 변화 모니터링, 정밀 농업, 환경 보호 및 경제 평가와 같은 많은 실제 애플리케이션에서 중요한 역할을 합니다. 센서 기술의 급속한 발전에 따라 이제 대량의 고해상도 위성 및 항공 원거리 감지 이미지가 이용 가능하며, 의미론적 세분화는 잠재적으로 귀중한 방법이 될 수 있습니다. 그러나 점점 증가하는 공간 해상도로 제공되는 정보의 복잡성과 이질성으로 인해, 최신 심층 학습 알고리즘은 일반적으로 세분화를 위한 복잡한 네트워크 구조를 채택하며, 이는 종종 상당한 계산 요구를 초래합니다. 특히 자주 사용되는 전이합성망(FCN)은 미세한 공간 세부사항(세밀한 공간 해상도)과 맥락 정보(넓은 수용 분야)에 크게 의존하며, 둘 다 높은 계산 비용을 부과합니다. 이는 실제 데이터 처리 요구가 있는 실제 애플리케이션에서 FCN의 실용성을 저해합니다. 본 논문에서는 공간 경로와 맥락 경로를 갖춘 경량 컨볼루션 신경망(CNN)인 새로운 주의 깊은 양측 맥락 네트워크(ABCNet)를 제안합니다. 포괄적인 제거 연구를 포함한 광범위한 실험을 통해 ABCNet이 최신 기준 방법과 비교할 때 경쟁력 있는 정확도를 유지하면서 강력한 구별 능력을 보여주며, 계산 효율성을 크게 향상시키는 것을 입증합니다. 특히 제안된 ABCNet은 Potsdam 테스트 데이터 세트에서 91.3%의 전반적인 정확도를 달성하며, 모든 경량 기준 방법들을 유의미하게 초과합니다. 코드는 무료로 이용 가능하며 https://github.com/lironui/ABCNet 에서 확인할 수 있습니다.
Li et al. (Thu,)은 이 질문을 연구했습니다.