BriefGPT - AI 论文速递
·
利用空洞卷积提升 Sentinel-1 图像中的海冰分割
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
该研究使用机载人工智能技术训练了16种不同模型，实现了高分辨率卫星图像的多类别分割。研究发现，轻量级的深度学习模型在海洋-陆地-云覆盖分割方面性能优于现有的U-Net及其变体，但推理时间较长。轨道内图像分割应该在L1b辐射计校准之后进行，将光谱通道减少到3会降低模型的参数数量和推理时间，但牺牲了分割性能。
🎯
关键要点
- 该研究使用机载人工智能技术训练了16种不同模型，实现高分辨率卫星图像的多类别分割。
- 研究提供了模型代码并进行了综合评估，重点在海洋-陆地-云覆盖分类的应用场景。
- 轻量级深度学习模型1D-Justo-LiuNet在海洋-陆地-云覆盖分割方面表现优于现有U-Net及其变体，准确率为0.93，参数数量为4,563个。
- 1D模型的推理时间较长，达到15秒，表现不理想。
- 轨道内图像分割应在L1b辐射计校准后进行，而非在原始数据上进行。
- 将光谱通道减少到3可以降低模型参数数量和推理时间，但会牺牲分割性能。
➡️
