JAG 2024:Residual wave vision U-Net for flood mapping using dual polarization Sentinel-1 SAR imagery
题目
Residual wave vision U-Net for flood mapping using dual polarization Sentinel-1 SAR imagery
作者
Ali Jamali, Swalpa Kumar Roy, Leila Hashemi Beni, Biswajeet Pradhan, Jonathan Li, Pedram Ghamisi
关键词
Flood mapping, Deep learning, Semantic segmentation, Vision MLP, ResU-Net.
研究动机
ViT存在较高的计算成本
模型
破坏性洪水的严重程度、持续时间和频率日益增加,可归因于气候、基础设施、土地利用和人口统计的变化。 及时获取有关洪水范围的准确数据对于有效的应急准备和缓解工作至关重要。 深度卷积神经网络 (CNN) 在各种遥感应用(包括洪水测绘)中显示出惊人的有效性。 CNN 的主要局限性之一是它们只能预测所需的特征是否会出现在图像中,而不能预测它可以被识别的位置。 为了解决这一限制,在视觉变换器(ViT)中部署自注意力机制可能特别有效。 然而,ViT 中的自注意力模块非常复杂且计算成本昂贵,并且它们需要大量的地面数据才能获得图像分类/分割的全部能力。 因此,在本文中,我们开发了残差波视觉 U-Net (WVResU-Net),这是一种深度学习分割架构,它利用先进的视觉多层感知器 (MLP) 和 ResU-Net,使用 Sentinel 进行准确可靠的洪水映射。