.png){kind=icon}
返回
CED: encoder-decoder network for cloud detection in remote sensing thumbnails
.png){kind=icon}
PRE
AI
DOI：10.1007/s12145-025-01981-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
光学遥感图像中的云覆盖影响地表信息的准确性，使得高效的云检测算法对遥感应用至关重要。本文聚焦于利用已损失大量光谱信息的RGB卫星缩略图，有效检测复杂场景中的破碎云和薄云边界。为解决这些挑战，我们提出了遥感缩略图云检测编码器-解码器网络（CED）。CED包含用于特征提取的双路径编码器（DPE）、用于云掩膜恢复的渐进融合解码器（PFD）以及用于分布式监督预测的多输出结构。DPE采用并行CNN和Transformer提取不同尺度的层次特征：CNN路径提取包含空间结构信息的基础特征，而Transformer路径通过多尺度扩张注意力（MSDA）提取多尺度中级特征，并通过多头自注意力（MHSA）建立长距离依赖关系以捕捉全局高级语义特征。PFD采用自底向上的结构，通过跳层融合块（SLFB）逐步融合低层的高层语义特征与编码器提取的多级特征，实现渐进解码和云掩膜的恢复。为更有效地监督模型，训练时采用多输出进行分布式监督，实现全面且高效的云检测监督。我们还建立了融合损失函数，结合二元交叉熵（BCE）损失和Dice损失，同时关注类别判别与相似性，有利于细粒度云预测。CED在GF1-WHU和SPARCS数据集上得到验证，在GF1-WHU数据集上达到87.36%的Jaccard指数，在SPARCS数据集上达到84.08%。
Keyword:
Remote sensing thumbnails
Cloud detection
Deep learning
Multi-scale dilate attention
Multi-head self-attention
期刊
IF:
3
论文数:
669
被引数:
3.3K
机构
引用论文
.png){kind=icon}
Swin-Unet: Unet-Like Pure Transformer for Medical Image SegmentationSwin Unet: 用于医学图像分割的类Unet纯变压器
PREAI
分享收藏分享收藏CERMF-Net: A SAR-Optical Feature Fusion for Cloud Elimination From Sentinel-2 Imagery Using Residual Multiscale Dilated NetworkCERMF-Net：一种基于残差多尺度空洞网络的Sentinel-2影像云消除SAR-光学特征融合方法
OAAI
OAAI分享收藏CloudformerV3: Multi-Scale Adapter and Multi-Level Large Window Attention for Cloud DetectionCloudformerV3: 多尺度适配器与多层级大窗口注意力用于云检测OAAI
OAAI分享收藏
查看更多内容