Un enfoque ligero de fusión de características multinivel para una segmentación semántica precisa de datos de teledetección

Resumen

La teledetección se ha vuelto esencial para la clasificación de la cobertura terrestre, aprovechando la segmentación basada en aprendizaje profundo para mejorar la precisión en el monitoreo ambiental, la agricultura y la planificación urbana. Este estudio presenta Disc Net, una adaptación optimizada de DeepLabv3+ para la segmentación semántica en el conjunto de datos OpenEarthMap. El modelo emplea una canalización estructurada que integra InceptionV3 con atención de excitación por compresión (SE) en el codificador para optimizar la extracción de características, mientras que la fusión de características multicapa combina información de capas superficiales y profundas para obtener representaciones más ricas. El decodificador, basado en DeepLabv3+ con convoluciones separables en profundidad, reduce la complejidad computacional sin comprometer la calidad de la segmentación. El preprocesamiento con muestreo estratificado garantiza una representación equilibrada de las clases, refinando aún más el rendimiento del modelo. DiscNet supera las líneas base existentes, alcanzando un mIoU del 79,6%, superando significativamente a U-Net (52,7%), simpleCNN (51,3%) y ResUNet (42,5%). Este sólido desempeño, validado a través de evaluaciones cualitativas y cuantitativas, demuestra la capacidad de DiscNet para ofrecer una segmentación de alta precisión manteniendo la eficiencia, lo que lo convierte en una solución prometedora para el mapeo de la cobertura terrestre a gran escala.