发文首选：UNet用于遥感图像处理，效果炸裂好！

AI算法科研paper · 公众号 · · 2025-01-05 19:29

正文

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-解码器结构可以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。 比如基于UNet框架的CM-Unet，在高分辨率遥感图像语义分割中，实现了62毫秒/幅的快速分割速度，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。

扫码添加小享， 回复“ U遥感 ”

免费获取 全部论文+开源代码

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，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，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。