E-Unet++: A Semantic Segmentation Method for Remote Sensing Images

Bao, Yintu; Liu, Wei; Gao, Ouyang; Lin, Zhikang; Hu, Qing

doi:10.1109/imcec51613.2021.9482266

Cited by 8 publications

(2 citation statements)

References 4 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Similar to UNet, there are also many variations of UNet++, and it is widely used in high-resolution remote sensing image classification and target detection tasks. Some experiments show that UNet++ with deep supervision mechanism has obvious performance gain compared with UNet [38][39][40].…”

Section: Unet++mentioning

confidence: 99%

Land Cover Classification of UAV Remote Sensing Based on Transformer–CNN Hybrid Architecture

Wan

et al. 2023

Sensors

View full text Add to dashboard Cite

High-precision land cover maps of remote sensing images based on an intelligent extraction method are an important research field for many scholars. In recent years, deep learning represented by convolutional neural networks has been introduced into the field of land cover remote sensing mapping. In view of the problem that a convolution operation is good at extracting local features but has limitations in modeling long-distance dependence relationships, a semantic segmentation network, DE-UNet, with a dual encoder is proposed in this paper. The Swin Transformer and convolutional neural network are used to design the hybrid architecture. The Swin Transformer pays attention to multi-scale global features and learns local features through the convolutional neural network. Integrated features take into account both global and local context information. In the experiment, remote sensing images from UAVs were used to test three deep learning models including DE-UNet. DE-UNet achieved the highest classification accuracy, and the average overall accuracy was 0.28% and 4.81% higher than UNet and UNet++, respectively. It shows that the introduction of a Transformer enhances the model fitting ability.

show abstract

Section: Unet++mentioning

confidence: 99%

Land Cover Classification of UAV Remote Sensing Based on Transformer–CNN Hybrid Architecture

Wan

et al. 2023

Sensors

View full text Add to dashboard Cite

show abstract

“…Sau đó Smoke-Unet, một mô hình mạng phân đoạn khói dựa trên một Unet cải tiến kết hợp với các cơ chế và các khối dư được đề xuất. Các phương pháp dựa trên Unet gần đây [11] cũng đã có nhiều tiến bộ trong lĩnh vực viễn thám [12], [13]. Smoke-Unet, dựa trên kiến trúc Unet kết hợp các khối dư [14] và cơ chế chú ý [15], đã được đề xuất.…”

Section: Các Phương Pháp Phát Hiện Khói Bằng Xử Lý Hình ảNh Thị Giác ...unclassified

Phát Hiện Và Quan Trắc Thảm Họa Môi Trường Sử Dụng Kỹ Thuật Học Sâu Phân Đoạn Ảnh

Thi¹,

Uy²,

Phương³

et al. 2022

TNUJST

View full text Add to dashboard Cite

Việc phát hiện và đo lường đám khói cũng như mây sol khí gây ô nhiễm luôn là hoạt động cần thiết đối với bất kỳ hệ thống giám sát môi trường nào trong việc dự đoán sự cố môi trường hoặc cháy rừng. Để phát hiện và giám sát khói tồn tại trong không khí, việc sử dụng hình ảnh từ trên không là phương pháp rất hiệu quả, đặc biệt là đối với các khu vực rộng lớn. Sự hiện diện của sol khí và các hạt có thể ảnh hưởng đến độ trong suốt và các đặc tính quang phổ của khí quyển, vì lý do này mà chúng ta có thể phát hiện khói trong các hình ảnh trên không một cách trực quan. Dựa vào các đặc tính trên, trong bài báo này, chúng tôi đánh giá khả năng sử dụng các mô hình tự động để phân tích không ảnh, phát hiện, phân mảnh và đo lường các đám khói trong dữ liệu hình ảnh được thu thập bằng mạng nơ-ron học sâu Unet. Chúng tôi đã xây dựng các bộ dữ liệu được gán nhãn pixel-by-pixel với số lượng lớn nhằm cải thiện và huấn luyện các mô hình phân đoạn có nguồn gốc từ kiến trúc mạng nơ-ron Unet. Các mô hình thử nghiệm được đánh giá bằng phép đo IoU (Intersection Over Union) và tỷ lệ chấp nhận sai. Kết quả thử nghiệm cho thấy các mô hình học sâu cho phép phát hiện khói một cách đáng tin cậy và hiệu quả trong các ứng dụng an ninh và môi trường.

show abstract

Using contour loss constraining residual attention U-net on optical remote sensing interpretation

et al. 2022

View full text Add to dashboard Cite

E-Unet++: A Semantic Segmentation Method for Remote Sensing Images

Cited by 8 publications

References 4 publications

Land Cover Classification of UAV Remote Sensing Based on Transformer–CNN Hybrid Architecture

Land Cover Classification of UAV Remote Sensing Based on Transformer–CNN Hybrid Architecture

Phát Hiện Và Quan Trắc Thảm Họa Môi Trường Sử Dụng Kỹ Thuật Học Sâu Phân Đoạn Ảnh

Using contour loss constraining residual attention U-net on optical remote sensing interpretation

Contact Info

Product

Resources

About