QuadTree-Based Graph Convolutional Networks for Small Object Segmentation

Dieses Kapitel untersucht die Anwendung von QuadTree-basierten Graph Convolutional Networks (QGCN) zur Verbesserung der Segmentierung kleiner Objekte in Synthetic-Aperture-Radarbildern (SAR). Die Autoren gehen auf die Herausforderungen durch begrenzte Trainingsdatensätze und Klassenungleichgewichte ein, die in der SAR-Bildanalyse weit verbreitet sind. Die vorgeschlagene QGCN-Architektur integriert eine neuronale Quadtree-Struktur innerhalb eines kurvenförmigen Graphen-Netzwerks und nutzt multiauflösende Merkmale und räumliche Abhängigkeiten, um die Segmentierungsgenauigkeit zu verbessern. Die Studie präsentiert eine umfassende Methodik, einschließlich Datenvorverarbeitung, Netzwerktraining und Bewertungsmetriken wie Precision, Recall und F1-Score. Experimentelle Ergebnisse mit realen SAR-Bildern aus Sentinel-1- und HRSID-Datensätzen zeigen die überlegene Leistung von QGCN im Vergleich zu traditionellen konvakutionalen neuronalen Netzwerken wie U-Net, insbesondere bei der Segmentierung kleiner Objekte. Das Kapitel diskutiert auch das Potenzial für weitere Forschung, wie die Einbeziehung von Superpixeldarstellungen zur Senkung der Rechenkosten. Die Ergebnisse unterstreichen die Effektivität des probability-informed approach und der neuronalen Quadtree-Struktur bei der Erzielung qualitativ hochwertiger Segmentierungsergebnisse, selbst bei begrenzten Trainingsdaten.