We read every piece of feedback, and take your input very seriously.
To see all available qualifiers, see our documentation.
Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.
By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.
Already on GitHub? Sign in to your account
深度学习方法,尤其是卷积神经网络 (CNN) 和视觉变换器 (ViT),经常用于执行高分辨率遥感图像的语义分割。然而,cnn 受到其有限的接受领域的限制,而 vit 由于其二次复杂性而面临挑战。最近,具有线性复杂性和全局感受野的 mamba 模型在视觉任务中获得了广泛的关注。在此类任务中,需要对图像进行序列化以形成与 mamba 模型兼容的序列。许多研究工作已经探索了扫描策略来序列化图像,旨在增强 Mamba 模型对图像的理解。然而,这些扫描策略的有效性仍然不确定。
在这项研究中,我们对主流扫描方向及其组合对遥感图像语义分割的影响进行了全面的实验研究。通过在 LoveDA,ISPRS Potsdam 和 ISPRS Vaihingen 数据集上进行的广泛实验,我们证明,**无论其复杂性或所涉及的扫描方向数量如何,都没有单一的扫描策略能胜过其他扫描策略。简单的单个扫描方向被认为足以对高分辨率遥感图像进行语义分割。**还建议了未来研究的相关方向。
这份工作主要做了两点内容:
展示了现有方法的几种不同策略
**这些努力都是基于这样的假设,即图像补丁的不同扫描方向可以潜在地增强 Mamba 对图像的理解。**但是,在他们的工作中,缺乏对不同扫描方向下的模型性能进行全面和定量的比较。
而在分割任务的研究中,一些工作考虑了不同的扫描策略来测试它们对 mamba 图像理解能力的影响。
实验所使用的架构形式
图像划分为 patch,序列送入四个 VMS(Vision Mamba Scan)模块顺次下采样。并使用 UperNet 作为解码器预测分割结果。这里为了使用单个模型兼容所有的扫描组合形式,当所考虑的扫描方向的数目为 1、2 或 4 时,扫描方向分别重复 8、4 和 2 次,以填充八个潜在的扫描方向。(这个重复是否会对最终的性能有影响尚未可知)
三个数据集的训练设置
**用于图像裁剪的补丁大小和扫描过程中使用的步幅也会影响实验结果。**目前,大多数基于 mamba 的视觉任务都采用 4×4 大小的 patch 和 4 的步幅。为了探索最适合后续实验的补丁大小和步幅,本研究在三个数据集上进行了各种变体的消融实验。为了进行一致的比较,在消融实验中使用了 D1 扫描方向。
**步幅也起着至关重要的作用,因为它会影响序列的长度和计算负荷。**这里使用 FLOPs 量化计算负载,这是使用一个随机生成的 512×512 图像作为输入来计算的。加倍步幅将需要计算的像素数减少了四倍,从而使计算减少了大约四倍。
考虑到实用性,实验中最小步幅设为 4,较小步幅需要过高的计算资源,因此在两个 24G GPU 上进行训练是不切实际的。实验中考虑的 patch 大小包括 4×4、8×8、16×16 和 32×32,每个配对的步幅与相应的 patch 大小相同,用于分割整个图像。此外,还考虑了小于 patch 尺寸的步幅,这可以允许图像的重叠扫描。
表 II 列出了由各种修补尺寸和步幅组合的分割精度。从三个数据集的性能分析中可以看到一致的发现:当处理 512×512 的图像输入尺寸时,步幅为 4 的 4×4 补丁大小可产生所有三个数据集的最高分割精度。当将步幅依次减小到 4 并保持固定的 patch 大小,mamba 在处理这些长序列时没有出现瓶颈,这表明它有潜力有效处理更小的步幅。因此,mamba 在处理较小步幅的长序列方面显示出希望。固定步幅后,减小 patch 大小可改善分割性能,这表明 mamba 架构更擅长处理更精细的图像补丁。基于这些发现,在随后的实验中始终使用 4x4 的 patch 大小和 4 的步幅 (即,实验 1- 实验 22)。
实验中对应的不同扫描组合形式
在实验中使用的所有三个数据集上观察到一个有趣的现象。22 种扫描策略产生的分割精度似乎相似。考虑到每个数据集内不同扫描策略之间的小性能差异,以及单个扫描策略在所有三个数据集中的性能差异,没有明显迹象表明任何特定的扫描策略都优于其他方法,无论它们的复杂性或涉及单个或多个扫描方向。观察到的任何轻微的性能波动都可能归因于训练过程的随机性。
对于高分辨率遥感图像的语义分割,利用特定的扫描方向或不同扫描方向的组合,如现有的基于 mamba 的方法所提出的策略,并不能有效提高分割精度。因此,在 vision mamba 框架中,使用类似 ViT 的扁平化方法 (即,D1 扫描) 对于此类图像的语义分割仍然有效。此外,采用单向扫描策略 (例如 D1) 也降低了计算需求,从而允许在有限的计算资源内进行更深的网络堆叠。
探索语言模型在视觉任务上的泛化能力对于深度学习的发展至关重要。基于循环模型的最新进展 [Mamba, RWKV] 中,对将其集成到视觉任务中的有效方法进行着持续探索。当前的工作重点是设计扫描图像 patch 的策略,以增强模型对图像序列的理解。但是本文中对远程感知图像的语义分割的调查表明,基于 mamba 的模型对不同的扫描策略并不敏感。因此,可以说,应该将努力放到探索更有效的方式,而不是探索不同的扫描策略,以增强 mamba 模型对远程感知图像的理解。
我们的工作并不是要否定 Vision Mamba 为改进扫描策略所做的大量努力,而是要证明这些改进对遥感图像的语义分割效果有限。这种现象是可以解释的:遥感图像在特征方面与传统图像不同。
不过,在其他类型的数据集(如 COCO-Stuff 和 Cityscapes)中,不同的扫描策略在序列中的因果关系更为明显,其有效性还有待验证,这也是未来工作的一个有趣领域。
在对不同 patch 方法的实验中,我们发现了一个有趣的现象:减小步长可以提高分割精度,但代价是增加了计算需求。这表明,在处理 512×512 像素的图像时,Mamba 在使用比实验中使用的最小步长 4 更小的步长时可能会有更好的表现。但是,由于计算资源有限,较小的步长会使序列长度呈指数增长,因此无法使用这些较小的步长进行实验。研究更高效的计算方法以适应更密集的扫描是未来研究的一个有意义的方向。
The text was updated successfully, but these errors were encountered:
No branches or pull requests
Rethinking Scanning Strategies with Vision Mamba in Semantic Segmentation of Remote Sensing Imagery - An Experimental Study
深度学习方法,尤其是卷积神经网络 (CNN) 和视觉变换器 (ViT),经常用于执行高分辨率遥感图像的语义分割。然而,cnn 受到其有限的接受领域的限制,而 vit 由于其二次复杂性而面临挑战。最近,具有线性复杂性和全局感受野的 mamba 模型在视觉任务中获得了广泛的关注。在此类任务中,需要对图像进行序列化以形成与 mamba 模型兼容的序列。许多研究工作已经探索了扫描策略来序列化图像,旨在增强 Mamba 模型对图像的理解。然而,这些扫描策略的有效性仍然不确定。
在这项研究中,我们对主流扫描方向及其组合对遥感图像语义分割的影响进行了全面的实验研究。通过在 LoveDA,ISPRS Potsdam 和 ISPRS Vaihingen 数据集上进行的广泛实验,我们证明,**无论其复杂性或所涉及的扫描方向数量如何,都没有单一的扫描策略能胜过其他扫描策略。简单的单个扫描方向被认为足以对高分辨率遥感图像进行语义分割。**还建议了未来研究的相关方向。
这份工作主要做了两点内容:
展示了现有方法的几种不同策略
**这些努力都是基于这样的假设,即图像补丁的不同扫描方向可以潜在地增强 Mamba 对图像的理解。**但是,在他们的工作中,缺乏对不同扫描方向下的模型性能进行全面和定量的比较。
而在分割任务的研究中,一些工作考虑了不同的扫描策略来测试它们对 mamba 图像理解能力的影响。
实验设置
实验所使用的架构形式
图像划分为 patch,序列送入四个 VMS(Vision Mamba Scan)模块顺次下采样。并使用 UperNet 作为解码器预测分割结果。这里为了使用单个模型兼容所有的扫描组合形式,当所考虑的扫描方向的数目为 1、2 或 4 时,扫描方向分别重复 8、4 和 2 次,以填充八个潜在的扫描方向。(这个重复是否会对最终的性能有影响尚未可知)
三个数据集的训练设置
对 patch 和 stride 的实验
**用于图像裁剪的补丁大小和扫描过程中使用的步幅也会影响实验结果。**目前,大多数基于 mamba 的视觉任务都采用 4×4 大小的 patch 和 4 的步幅。为了探索最适合后续实验的补丁大小和步幅,本研究在三个数据集上进行了各种变体的消融实验。为了进行一致的比较,在消融实验中使用了 D1 扫描方向。
**步幅也起着至关重要的作用,因为它会影响序列的长度和计算负荷。**这里使用 FLOPs 量化计算负载,这是使用一个随机生成的 512×512 图像作为输入来计算的。加倍步幅将需要计算的像素数减少了四倍,从而使计算减少了大约四倍。
考虑到实用性,实验中最小步幅设为 4,较小步幅需要过高的计算资源,因此在两个 24G GPU 上进行训练是不切实际的。实验中考虑的 patch 大小包括 4×4、8×8、16×16 和 32×32,每个配对的步幅与相应的 patch 大小相同,用于分割整个图像。此外,还考虑了小于 patch 尺寸的步幅,这可以允许图像的重叠扫描。
表 II 列出了由各种修补尺寸和步幅组合的分割精度。从三个数据集的性能分析中可以看到一致的发现:当处理 512×512 的图像输入尺寸时,步幅为 4 的 4×4 补丁大小可产生所有三个数据集的最高分割精度。当将步幅依次减小到 4 并保持固定的 patch 大小,mamba 在处理这些长序列时没有出现瓶颈,这表明它有潜力有效处理更小的步幅。因此,mamba 在处理较小步幅的长序列方面显示出希望。固定步幅后,减小 patch 大小可改善分割性能,这表明 mamba 架构更擅长处理更精细的图像补丁。基于这些发现,在随后的实验中始终使用 4x4 的 patch 大小和 4 的步幅 (即,实验 1- 实验 22)。
对扫描策略的实验
实验中对应的不同扫描组合形式
在实验中使用的所有三个数据集上观察到一个有趣的现象。22 种扫描策略产生的分割精度似乎相似。考虑到每个数据集内不同扫描策略之间的小性能差异,以及单个扫描策略在所有三个数据集中的性能差异,没有明显迹象表明任何特定的扫描策略都优于其他方法,无论它们的复杂性或涉及单个或多个扫描方向。观察到的任何轻微的性能波动都可能归因于训练过程的随机性。
总结
对于高分辨率遥感图像的语义分割,利用特定的扫描方向或不同扫描方向的组合,如现有的基于 mamba 的方法所提出的策略,并不能有效提高分割精度。因此,在 vision mamba 框架中,使用类似 ViT 的扁平化方法 (即,D1 扫描) 对于此类图像的语义分割仍然有效。此外,采用单向扫描策略 (例如 D1) 也降低了计算需求,从而允许在有限的计算资源内进行更深的网络堆叠。
探索语言模型在视觉任务上的泛化能力对于深度学习的发展至关重要。基于循环模型的最新进展 [Mamba, RWKV] 中,对将其集成到视觉任务中的有效方法进行着持续探索。当前的工作重点是设计扫描图像 patch 的策略,以增强模型对图像序列的理解。但是本文中对远程感知图像的语义分割的调查表明,基于 mamba 的模型对不同的扫描策略并不敏感。因此,可以说,应该将努力放到探索更有效的方式,而不是探索不同的扫描策略,以增强 mamba 模型对远程感知图像的理解。
我们的工作并不是要否定 Vision Mamba 为改进扫描策略所做的大量努力,而是要证明这些改进对遥感图像的语义分割效果有限。这种现象是可以解释的:遥感图像在特征方面与传统图像不同。
不过,在其他类型的数据集(如 COCO-Stuff 和 Cityscapes)中,不同的扫描策略在序列中的因果关系更为明显,其有效性还有待验证,这也是未来工作的一个有趣领域。
在对不同 patch 方法的实验中,我们发现了一个有趣的现象:减小步长可以提高分割精度,但代价是增加了计算需求。这表明,在处理 512×512 像素的图像时,Mamba 在使用比实验中使用的最小步长 4 更小的步长时可能会有更好的表现。但是,由于计算资源有限,较小的步长会使序列长度呈指数增长,因此无法使用这些较小的步长进行实验。研究更高效的计算方法以适应更密集的扫描是未来研究的一个有意义的方向。
The text was updated successfully, but these errors were encountered: