基于UNet的遥感图像处理新成果！保持高性能同时降低计算成本

基于UNet的遥感图像处理无论是在分割精度、计算效率还是在对抗图像中各种挑战的鲁棒性方面，都比传统方法更具优势。

具体点讲，UNet能自动提取图像特征，避免复杂的手工特征工程。它独特的编码器-解码器结构和跳跃连接能更有效地捕捉和融合多尺度信息，不仅提高了计算效率，还改善了处理精度。

以基于UNet框架的CM-Unet为例：

CM-Unet用于解决高分辨率遥感图像语义分割中的孔洞、遗漏和模糊边缘分割等问题。实验表明，CM-Unet具有62毫秒/幅的快速分割速度，且平均交并比高达90.4%，而浮点运算量仅为20.95 MFLOPs。

因此，基于UNet的遥感图像处理也是论文研究的热门方向之一。为方便各位获取灵感，本文分享最新的11种UNet+遥感创新方案，开源代码都整理了。论文可参考创新点做了简单提炼，具体工作细节可阅读原文。

论文原文以及开源代码需要的同学看文末

CM-Unet: A Novel Remote Sensing Image Segmentation Method Based on Improved U-Net

方法：论文提出了一种基于U-Net框架的新方法CM-Unet，用于解决高分辨率遥感图像语义分割中的孔洞、遗漏和模糊边缘分割等问题。该方法在编码网络中添加了通道注意机制和残差模块，以传递信息。在解码网络中提出了多特征融合机制，并用改进的子像素卷积方法替代传统的上采样操作。

创新点：

• 在编码网络中引入了通道注意机制和残差模块，以传递信息和提高分割的准确性。

• 在解码网络中提出了改进的子像素卷积方法，以取代传统的上采样操作，从而保留局部原始信息，减少上采样引起的信息丢失。

MAD-UNet: A Multi-Region UAV Remote Sensing Network for Rural Building Extraction

方法：本文提出了一种用于农村建筑提取的多尺度融合和细节增强网络，称为MAD-UNet。首先，在编码器和解码器之间集成了一个无色卷积金字塔池化模块，以增强主网络识别不同大小建筑物的能力，从而减少遗漏。此外，还在解码器中构建了多尺度特征融合模块（MFFM），利用表层细节特征来完善分层细节信息，从而提高对小型结构及其边缘的提取能力。

创新点：

• MAD-UNet通过引入atrous卷积金字塔池化模块和多尺度特征融合模块(MFFM)来提高对不同大小建筑的识别能力，并改善小型建筑和边缘的提取。

• MAD-UNet还采用了协同注意机制和深度监督模块来减少错误分类。

• MAD-UNet在私有的无人机建筑数据集和公开的武汉大学(WHU)建筑数据集上进行了测试，并与其他模型进行了比较，在IoU得分方面分别达到了77.43%和91.02%的成绩，证明了其在不同地区提取农村建筑的有效性。

Research on Road Extraction From High-Resolution Remote Sensing Images Based on Improved UNet++

方法：本文提出了一种改进的UNet++网络，适用于从高分辨率遥感图像中提取道路。在UNet++网络的基础上，结合CBAM模块，并在特征图的通道和空间的双重维度上添加权重信息，可以有效地抑制网络对非道路信息的学习，使得提出的网络更加高效和有针对性。通过使用新的融合损失函数，本文的方法可以进一步增强道路特征信息的识别能力，提高提取的准确性。

创新点：

• 提出了一个多层特征融合结构，通过学习深层细节信息特征和浅层空间信息特征，实现了更准确的道路分割和定位，从而有效提高了分割结果。

• 改进后的UNet++网络结合CBAM模块，增加了对道路特征的识别能力，提高了道路提取的准确性。

• 通过引入新的联合损失函数，改进了UNet++网络的稳定性，进一步提高了道路提取的能力。

T-UNet: Triplet UNet for Change Detection in High-Resolution Remote Sensing Images

方法：本文提出了一种新颖的基于三分支编码器的变化检测网络框架T-UNet，该网络框架能够同时提取原始物体特征和前后时间相位之间的差分变化特征，通过三元编码器有效地融合和利用三个分支的特征信息，进而挖掘更准确的变化特征用于变化检测。在LEVIR-CD、WHU-CD和DSIFN-CD三个数据集上分别实现了高达99.16%、99.42%和89.83%的整体准确率。

创新点：

• 提出了一种新颖的三分支编码器网络框架T-UNet，用于变化检测任务。该网络框架能够同时提取原始对象特征和前后时间相位之间的差异变化特征。

• 提出了一种多分支空间光谱交叉注意力（MBSSCA）模块。在网络的解码器阶段，引入了通道注意力机制（CAM）和空间注意力机制（SAM），以充分利用和整合浅层细节纹理和深度语义信息。

• 第一次提出了一个三分支的编码器网络框架，用于变化检测任务。这个三分支的编码器能够同时提取和综合前后时间相位的原始对象特征和差异变化特征。

• 提出了一种多分支空间光谱交叉注意力（MBSSCA）模块，用于有效地交互和融合三个分支的特征信息。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“U遥感”获取全部论文+代码

码字不易，欢迎大家点赞评论收藏