Die Studie stellt Samba, ein neuartiges semantisches Segmentierungsframework vor, das auf Mamba basiert und speziell für die Segmentierung hochauflösender Fernerkundungsbilder entwickelt wurde.
Samba nutzt eine Encoder-Decoder-Architektur, wobei die Samba-Blöcke als Encoder für die effiziente Extraktion von Mehrebenen-Semantikinformationen dienen und UperNet als Decoder fungiert.
Die Leistung von Samba wurde auf dem LoveDA-Datensatz evaluiert und mit führenden CNN- und ViT-basierten Methoden verglichen. Die Ergebnisse zeigen, dass Samba eine unübertroffene Leistung auf LoveDA erzielt hat und damit einen neuen Benchmark für Mamba-basierte Techniken in diesem Anwendungsbereich setzt.
Die Studie diskutiert auch die Herausforderungen, die CNN- und ViT-basierte Methoden bei der Segmentierung hochauflösender Fernerkundungsbilder haben, und identifiziert vielversprechende Forschungsrichtungen für die zukünftige Entwicklung von Mamba-basierten Methoden in der Fernerkundung.
他の言語に翻訳
原文コンテンツから
arxiv.org
深掘り質問