【LiST-Net】利用轻型SAR传感器网络增强洪水测绘（IEEE TGRS）

及时行樂樂樂

已于 2024-05-26 18:56:46 修改

阅读量1k

点赞数 16

分类专栏： change detection 论文阅读文章标签：深度学习计算机视觉算法

于 2024-05-23 14:27:39 首次发布

本文链接：https://blog.csdn.net/weixin_44703452/article/details/139143864

版权

摘要

利用合成孔径雷达（SAR）检测洪水引起的变化是危机管理和损害评估的关键。然而，目前的方法主要集中在光学图像中建筑物的变化，与洪水的复杂结构相比。具有噪声，并伴随计算成本增加。阻碍它们在现实应用中的成功。
因此，提出LiST-Net, a lightweight SAR transformer network with dimension-wise attention，以提高洪水检测精度。
- graph neighbor module (GNM)增强编码器内相邻像素和多日期特征的详细信息。
- dimension-wise inter-active attention(DIA)模块，在有效地提高特征表示的同时降低计算复杂度。
- attentive supervised learning module (ASLM) ，通过pixel mask gate来减轻噪声，获取水体的变化信息，提高水体边缘轮廓的准确性。
在两个洪水数据集（S1GFloods和ETCI-2021）上验证了LiST-Net的有效性。实验结果表明，LiST-Net优于现有方法，在S1GFloods数据集上，F1提高了94.7%，IoU提高了88.7%，计算成本更低（11.78G），参数更少（7.34M）。
论文链接：LiST-Net: Enhanced Flood Mapping With Lightweight SAR Transformer Network and Dimension-Wise Attention | IEEE Journals & Magazine | IEEE Xplore
代码链接：Tamer-Saleh · GitHub