基于地块提取的多任务网络——Bsinet

介绍

BsiNet从Psi-Net将三个并行解码器构造为一个编码器，以提高计算效率。BsiNet学习三个任务：农业领域识别的核心任务和农田边界预测和距离估计的两个辅助任务，分别对应于掩模、边界和距离任务。采用了一个空间群级增强模块，以改进对小场的识别。我们对在中国新疆、福建、山东和四川各省采集的一张高分1号和3张高分2号卫星图像进行了实验，并将BsiNet与13种不同的神经网络进行了比较。结果表明，BsiNet提取的新疆农田的全局过分类（GOC）最低，为0.062，全局欠分类（GUC）为0.042，全球总误差（GTC）为0.062。对于具有不规则和复杂域的福建数据集，BsiNet优于新疆数据集分析的第二优方法，GTC最低，为0.291。在山东和四川的数据集上也取得了令人满意的结果。此外，与现有的多任务模型（即Psi-Net和ResUNet-a D7）相比，BsiNet的参数更少，计算速度更快。结果表明，BsiNet可以成功地从高分辨率卫星图像中提取农田，并可应用于不同的野外设置。