Uma abordagem leve de fusão de recursos multinível para segmentação semântica precisa de dados de sensoriamento remoto.

Resumo

O sensoriamento remoto tornou-se essencial para a classificação da cobertura da terra, aproveitando a segmentação baseada em aprendizado profundo para melhorar a precisão no monitoramento ambiental, na agricultura e no planejamento urbano. Este estudo apresenta a DiscNet, uma adaptação simplificada do DeepLabv3+ otimizada para segmentação semântica no conjunto de dados OpenEarthMap. O modelo emprega um pipeline estruturado, integrando a InceptionV3 com atenção squeeze-excitation (SE) no codificador para aprimorar a extração de características, enquanto a fusão de características multicamadas combina informações de camadas rasas e profundas para representações mais ricas. O decodificador, construído sobre o DeepLabv3+ com convoluções separáveis ​​em profundidade, reduz a complexidade computacional sem comprometer a qualidade da segmentação. O pré-processamento com amostragem estratificada garante uma representação balanceada das classes, refinando ainda mais o desempenho do modelo. A DiscNet supera as linhas de base existentes, atingindo um mIoU de 79,6%, superando significativamente a U-Net (52,7%), a simpleCNN (51,3%) e a ResUNet (42,5%). Esse excelente desempenho, validado por meio de avaliações qualitativas e quantitativas, demonstra a capacidade do DiscNet de fornecer segmentação de alta precisão, mantendo a eficiência, o que o torna uma solução promissora para o mapeamento de cobertura do solo em larga escala.