基于SF-Unet的高分辨率耕地遥感影像分割

利用深度学习实现遥感影像耕地区域自动化检测，取代人工解译，能有效提升耕地面积统计效率。针对目前存在分割目标尺度大且连续导致分割区域存在欠分割现象，边界区域情况复杂导致边缘分割困难等问题，提出了语义分割算法——Swin Transformer, TransFuse and U-Net (SF-Unet)。为强化网络不同层次特征提取和信息融合能力，提升边缘分割性能，使用U-Net网络替代TransFuse网络中的ResNet50模块；将Vision Transformer (ViT)替换为改进后的Swin Transformer网络，解决大区域的欠分割问题；通过注意力机制构建的Fusion融合模块将2个网络输出特征进行融合，增强模型对目标的语义表示，提高分割的精度。实验表明，SF-Unet语义分割网络在Gaofen Image Dataset (GID)数据集上的交并比(Intersection over Union, IoU)达到了90.57%,分别比U-Net和TransFuse网络提升了6.48%和6.09%,明显提升了耕地遥感影像分割的准确性。