Multi-Target Remote Sensing Segmentation with Cross-Scale Attention for Urban-Ecological Intelligence

遥感图像分割对于从卫星和航空图像中提取有价值信息，以实现城市规划和生态监测等重要应用至关重要。然而，由于传统方法的局限以及处理可变目标尺寸和复杂边界的需要，准确分割多样且复杂的地物十分困难。本研究旨在通过使用和评估先进的深度学习模型，特别是UNet、SegNet和TransU-Net在多目标语义分割中的应用，来解决上述难题。这些网络已被应用于单目标分割任务，重点关注建筑物和道路，而UNet架构还被额外用于多目标分割，包括建筑物、林地、草地、水体和耕地。利用适当的遥感数据集，通过常用评价指标对模型的精度进行了全面评估，包括像素精度、交并比（IoU）和F1分数。实验结果表明了这些深度学习方法在准确识别关键地物方面的能力。值得注意的是，单目标建筑物分割的最高可达精度为96.85%，而使用UNet进行多目标分割的总体精度为84.2%。实验结果表明，这些深度学习算法能够有效地从遥感图像中分离出不同目标，从而使其成为地理空间分析及相关领域的基础工具。