.png){kind=icon}
返回
Ground-Based Remote Sensing Cloud Image Segmentation Using Convolution-MLP Network
.png){kind=icon}
OA
AI
DOI：10.1109/JSTARS.2025.3593473.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，基于多层感知器（MLPs）的计算机视觉方法因其学习长距离依赖关系的能力而受到广泛关注。然而，基于MLPs的方法通常将所有标记同等对待，这使得难以分割具有挑战性的云区域。在本文中，我们提出了一种新颖的网络，命名为卷积-MLP网络（Con-MLPNet），用于地面遥感云图像分割，该网络可通过结合MLPs和注意力机制有效学习长距离依赖关系。为此，我们提出了注意力引导的MLPs模块，以从空间和通道角度突出显著特征并抑制无关特征。同时，与现有MLPs方法不同（其中长距离依赖关系是在单一尺度上学习的），我们提出了膨胀MLPs（DMLPs），通过采样不同通道的标记来在不同尺度上学习长距离依赖关系。此外，我们设计了并行膨胀MLPs模块，以整合具有不同参数的多个DMLPs，从而提取多尺度信息。我们在三个公开的地面云图像分割数据集上进行了系列实验，即TLCDD、SWIMSEG和TCDD，结果表明所提出的Con-MLPNet达到了最先进（state-of-the-art）的性能。具体而言，在TLCDD数据集上，我们的方法在所有五个评估指标上均超越了竞争方法，与次优结果相比，精度提高了3.3%，召回率提高了2.48%，F分数提高了3.74%，准确率提高了1.76%，交并比（IoU）提高了4.0%。
Keyword:
Attention-guided MLPs (AGMs)
parallel dilated MLPs (PDMs)
remote sensing cloud image segmentation
期刊
IF:
5.3
论文数:
1.9K
被引数:
3.0W
机构
引用论文
Object matching of visible-infrared image based on attention mechanism and feature fusion基于注意力机制和特征融合的可见光-红外图像目标匹配.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Ground-Based Remote Sensing Cloud Detection Using Dual Pyramid Network and Encoder-Decoder Constraint基于双金字塔网络和编解码器约束的地基遥感云检测OAAI
OAAI分享收藏SwinURNet: Hybrid Transformer-CNN Architecture for Real-Time Unstructured Road SegmentationSwinURNet: 用于实时非结构化道路分割的混合变压器-CNN架构
PREAI
分享收藏
查看更多内容