SilvaFormer:基于Transformer的无人机影像森林健康监测分割技术
《IEEE Access》:SilvaFormer: Transformer-Based Segmentation for Forest Health Monitoring in UAV Imagery
【字体:
大
中
小
】
时间:2026年07月13日
来源:IEEE Access 4.2
编辑推荐:
摘要:利用无人机图像进行森林健康监测对于及时发现松树枯萎病至关重要,但由于患病树冠区域通常较小、分布零散,且易受到周围树冠纹理、阴影及背景杂物的干扰,因此实现精确的像素级识别仍面临挑战。本文提出了SilvaFormer,这是一种基于Transformer的语义分割框架,用于高分辨
摘要:
利用无人机图像进行森林健康监测对于及时发现松树枯萎病至关重要,但由于患病树冠区域通常较小、分布零散,且易受到周围树冠纹理、阴影及背景杂物的干扰,因此实现精确的像素级识别仍面临挑战。本文提出了SilvaFormer,这是一种基于Transformer的语义分割框架,用于高分辨率RGB航空图像中的患病树冠识别。该模型结合了分层式的MiT/SegFormer风格编码器与轻量级的多尺度融合解码器,从而使网络能够在保留精细空间细节的同时捕捉长距离的上下文关联。最终架构中,分割头用于密集的松树枯萎病预测,而在训练过程中则使用辅助边界头来提升树冠边缘的识别精度,同时通过对预训练编码器及任务特定的解码层进行差异化微调。我们在公共的PWD-master无人机基准数据集上对SilvaFormer进行了测试,采用了固定的训练/验证/测试数据划分方式,并将其与包括U-Net、PSPNet、DeepLabV3+、ADE-Net以及两种最新的基于Transformer的模型SegFormer和UNetFormer在内的多种主流分割模型进行了比较。相较于传统的CNN模型和经过注意力增强处理的模型,SilvaFormer取得了最佳性能,其IoU值为0.7701,Dice/F1值为0.8474,精确度为0.8449,召回率为0.8730。在针对基于Transformer的模型的比较中,SegFormer和UNetFormer的IoU值分别达到了0.7842和0.8053,而SilvaFormer的参数量则显著更少(611万,而另外两个模型分别为2815万和3021万)。这些结果表明,SilvaFormer为基于无人机的森林健康监测提供了一种具有竞争力且结构紧凑的基于Transformer的解决方案,同时也明确了其与那些规模更大的最新Transformer分割模型之间的优劣关系。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号