U-Net

U-Net ist eine Architektur für convolutional neural networks (CNNs), die ursprünglich für die biomedizinische Bildsegmentierung entwickelt wurde und seither umfassend in der Fernerkundung und geospatialen Analyse eingesetzt wird. Die charakteristische U-förmige Architektur besteht aus einem kontrahierenden Encoder-Pfad, der durch aufeinanderfolgendes Downsampling Kontext erfasst, sowie einem expansiven Decoder-Pfad, der durch Upsampling eine präzise Lokalisierung ermöglicht. Skip-Verbindungen überbrücken einander entsprechende Encoder- und Decoder-Schichten und leiten hochauflösende Feature Maps direkt an den Decoder weiter, um räumliche Details zu erhalten, die während der Komprimierung sonst verloren gingen.

U-Net hat sich für viele geospatiale Vorhersageaufgaben auf Pixelebene als Standardarchitektur etabliert. Bei der Extraktion von Gebäudegrundrissen dient U-Net dazu, einzelne Bauwerke aus hochauflösenden Luft- und Satellitenbildern abzugrenzen. Die Extraktion von Straßennetzen zeichnet Straßenoberflächen in Pixelauflösung für die Kartenerstellung nach. Die Kartierung von Überschwemmungsflächen setzt U-Net ein, um während der Katastrophenreaktion überflutete Gebiete aus optischen Aufnahmen oder SARSARSynthetic Aperture Radar (SAR) is an active remote sensing technology that uses microwave radar pulses to create high...-Daten schnell abzugrenzen. Die Erkennung landwirtschaftlicher Feldgrenzen segmentiert einzelne Parzellen für Anwendungen der Präzisionslandwirtschaft. Die Wolken- und Schattenmaskierung nutzt U-Net, um kontaminierte Pixel in optischen Satellitenbildern zur Sicherung der Datenqualität zu identifizieren.

Die Architektur von U-Net funktioniert gut mit begrenzten Trainingsdaten, was einen entscheidenden Vorteil in geospatialen Anwendungen darstellt, in denen gelabelte Datensätze aufwendig zu erstellen sind. Die Skip-Verbindungen sorgen dafür, dass feine Randdetails erhalten bleiben, wodurch sauberere Segmentierungskarten entstehen als bei Architekturen ohne diese Verbindungen. Zu den populären Varianten zählen Attention U-Net, das Attention Gates hinzufügt, um sich auf relevante Merkmale zu konzentrieren, sowie U-Net++, das verschachtelte, dichte Skip-Verbindungen für eine verbesserte Fusion von Merkmalen nutzt. Residual U-Net integriert Residualblöcke für tiefere Netze, die stabiler trainieren. Diese Varianten erzielen durchgängig Spitzenleistungen in Benchmarks zur geospatialen Segmentierung.