基于深度学习的卫星高光谱图像语义分割

卫星正越来越多地采用星载 AI，通过在轨推理来优化操作并提高自主性。利用深度学习（DL）模型对高光谱图像进行分割，为遥感应用带来了显著优势。在这项工作中，我们训练并测试了 20 种用于高光谱图像多类别分割的模型，这些模型因其在未来空间部署中的潜力而被选中。这些模型包括一维和二维卷积神经网络（CNNs）以及最新的视觉 Transformer（ViTs）。我们提出了一种轻量级 1D-CNN 模型 1D-Justo-LiuNet，其性能优于高光谱领域的现有最先进模型。1D-Justo-LiuNet 超越了 2D-CNN UNets 的性能，并优于 Apple 为移动推理设计的轻量级视觉 Transformer。在所有测试模型中，1D-Justo-LiuNet 以最小的模型尺寸（4563 个参数）实现了最高的准确率（0.93），同时保持了快速推理。与同时编码光谱和空间信息的 2D-CNN 和 ViT 不同，1D-Justo-LiuNet 专注于高光谱数据中丰富的光谱特征，受益于高维特征空间。我们的发现在多种卫星数据集上得到了验证，其中 HYPSO-1 任务作为海洋、陆地和云层分割的主要案例研究。我们通过在其他高光谱任务（如 NASA 的 EO-1）上的泛化测试进一步证实了我们的结论。基于其卓越的性能和紧凑的尺寸，我们得出结论：1D-Justo-LiuNet 非常适合在轨部署，为边缘端优化和自动化卫星操作提供了有效的解决方案。