AED-Net: A High-Resolution Remote Sensing Image Road Extraction Method Integrating Atrous Spatial Pyramid Pooling and Efficient Channel Attention Mechanism
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
High-resolution remote sensing imagery plays a pivotal role in road extraction due to its abundant semantic information. However, traditional road extraction methods are time-consuming, labor-intensive, and susceptible to subjective factors, leading to inaccurate extraction results. Therefore, this study aims to explore an efficient, accurate, and automated road extraction method. We propose a road extraction model named AED-Net, which employs a lightweight MobileNet v2 as the feature extractor, combines the multi-scale feature extraction capability of ASPP with an encoder-decoder structure, and integrates an ECA mechanism to enhance feature learning ability. During the training process, the BCE-DL loss function is adopted to optimize model performance. Experimental validation on the Massachusetts Roads dataset and Ottawa Road dataset demonstrates that AED-Net outperforms the latest Attention U-Net (AU-Net) and ECA-DeeplabV3+ models. On the Massachusetts Roads dataset, AED-Net achieves an overall accuracy (OA) of 97.60% and a mean intersection over union (MIoU) of 85.29%. Similarly, on the Ottawa Road dataset, AED-Net exhibits superior performance compared to classical semantic segmentation networks such as SegNet, U-Net, and Deeplab V3+, achieving an OA of 98.83% and an MIoU of 88.74%. Furthermore, ablation studies validate the effectiveness and necessity of the proposed improvements. In summary, AED-Net has made significant progress in multi-scale feature extraction, boundary information restoration, and critical feature learning, offering new insights and solutions for the development of road network extraction technologies. Its high accuracy and robustness render AED-Net promising for a wide range of applications in remote sensing image processing, intelligent transportation systems, and beyond.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle