基于DeepLabV3+的轻量级SAR图像建筑物分割框架

《Scientific Reports》：Lightweight SAR building segmentation via enhanced multi-scale context modeling and bidirectional guided feature fusion

　　

摘要

从合成孔径雷达（SAR）图像中准确提取建筑物对于城市制图、灾害评估和遥感解译具有重要意义，但由于斑点噪声、异质散射、雷达阴影、弱纹理以及模糊的建筑物边界等因素会降低像素级预测性能，因此该任务仍然具有挑战性。与此同时，重量级分割网络在计算资源受限的场景中难以部署。本研究提出了一种源自DeepLabV3+的任务导向型轻量级SAR建筑物分割框架。该框架采用MobileNetV3作为高效骨干网络，使用深度可分离膨胀空间金字塔池化（DS-ASPP）模块以较低成本保留多尺度上下文信息，并通过双向引导融合模块（BGFM）将边界敏感的底层信息与深层语义特征相结合。在SARBuD1.0数据集上，该模型以11.3 M参数和58.12 FPS实现了94.64%的总体准确率（OA）、79.89%的平均交并比（MIoU）和76.45%的Kappa系数。在五次独立运行中，所提模型的MIoU为79.86 ± 0.17%，而HSB-Net为78.52 ± 0.20%，配对差异显著（p < 0.001）。在HR-SARBuD数据集上，该模型的MIoU为79.75%；五次运行均值为79.77 ± 0.15%，而FPANet为79.68 ± 0.16%，差异不具有统计显著性（p = 0.214）。在批量大小为1的复杂度协议下，所提网络需要8.9 GFLOPs和每图像17.21 ms的计算时间，而DeepLabV3+则需要42.7 GFLOPs和50.89 ms。这些结果表明了良好的精度-效率权衡，同时明确讨论了跨数据集和边缘设备上的局限性。