请总结An improved U-Net method for the semantic segmentation of remote sensing images这篇文章用的网络、数据集以及达到的精...
这篇论文使用了一种改进版的 U-Net 网络来进行遥感图像的语义分割。该网络结构相较于原版 U-Net 稍有改动，使用了更深的编码器和更少的参数量。数据集方面，作者使用了一个名为“ISPRS Vaihingen”的公开数据集，其中包含了高分辨率的遥感图像以及像素级的标注信息。实验结果表明，该方法在数据集上取得了很好的精度，与当前主流的语义分割算法相比有一定的提升。具体而言，该方法在准确率和召回率方
·
这篇论文使用了一种改进版的 U-Net 网络来进行遥感图像的语义分割。该网络结构相较于原版 U-Net 稍有改动，使用了更深的编码器和更少的参数量。数据集方面，作者使用了一个名为“ISPRS Vaihingen”的公开数据集，其中包含了高分辨率的遥感图像以及像素级的标注信息。实验结果表明，该方法在数据集上取得了很好的精度，与当前主流的语义分割算法相比有一定的提升。具体而言，该方法在准确率和召回率方面分别达到了 87.4% 和 87.2% 的性能，表明该方法在遥感图像的语义分割方面具有一定的优势。
魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。
更多推荐
0
0- 0
已为社区贡献4条内容
所有评论(0)