.png){kind=icon}
返回
Precision Meets Speed: An Attention Encoder–Decoder Network for Deforestation Segmentation
.png){kind=icon}
PRE
AI
DOI：10.1109/LGRS.2025.3590585.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
森林砍伐仍是一个关键性的全球环境问题，需要有效的监测方法。本文提出了一种新颖的基于注意力机制的编码器-解码器神经网络，旨在解决森林砍伐制图中的关键挑战，包括尺度异质性、时间动态和计算效率。所提出的框架整合了改进的YOLOv8骨干网络、空间注意力（SA）机制以及共轭Dice–Focal损失函数，以增强对时序遥感（RS）数据中小尺度和大尺度森林砍伐模式的敏感性。本研究使用来自亚马逊地区的两个数据集进行了广泛的测试，探讨了在变化的环境和类别平衡条件下，单图像和图像对输入的表现。结果表明，与13种深度学习（DL）方法相比，在准确性和计算效率方面均取得了显著提升，证实了所提出模型在森林砍伐监测场景中的有效性，其中准确性、可扩展性和计算成本均为关键因素。
Keyword:
Deep learning
deforestation
remote sensing (RS)
期刊
IF:
16.4
论文数:
1.0W
被引数:
5.1K
机构
引用论文
YOLOv9: Learning What You Want to Learn Using Programmable Gradient InformationYOLOv9: 使用可编程梯度信息学习您想要学习的内容
.png){kind=icon}
PREAI
分享收藏
Land-use and climate change risks in the Amazon and the need of a novel sustainable development paradigm亚马逊地区的土地利用和气候变化风险以及对新型可持续发展范式的需求
OAAI
OAAI分享收藏
查看更多内容