ترجمه فارسی مقاله DDU-Net: یک CNN مبتنی بر تجزیه دامنه برای قطعه‌بندی تصویر با وضوح بالا روی چندین پردازنده گرافیکی

چکیده

The segmentation of ultra-high resolution images poses challenges such as loss of spatial information or computational inefficiency. In this work, a novel approach that combines encoder-decoder architectures with domain decomposition strategies to address these challenges is proposed. Specifically, a domain decomposition-based U-Net (DDU-Net) architecture is introduced, which partitions input images into non-overlapping patches that can be processed independently on separate devices. A communication network is added to facilitate inter-patch information exchange to enhance the understanding of spatial context. Experimental validation is performed on a synthetic dataset that is designed to measure the effectiveness of the communication network. Then, the performance is tested on the DeepGlobe land cover classification dataset as a real-world benchmark data set. The results demonstrate that the approach, which includes inter-patch communication for images divided into $16times16$ non-overlapping subimages, achieves a $2-3,%$ higher intersection over union (IoU) score compared to the same network without inter-patch communication. The performance of the network which includes communication is equivalent to that of a baseline U-Net trained on the full image, showing that our model provides an effective solution for segmenting ultra-high-resolution images while preserving spatial context. The code is available at https://github.com/corne00/HiRes-Seg-CNN.

چکیده به فارسی (ترجمه ماشینی)

تقسیم تصاویر با وضوح فوق العاده بالا چالش هایی از جمله از دست دادن اطلاعات مکانی یا ناکارآمدی محاسباتی را ایجاد می کند.در این کار ، یک رویکرد جدید که معماری های رمزگذار رمزگذار را با استراتژی های تجزیه دامنه برای رفع این چالش ها ترکیب می کند ، ارائه شده است.به طور خاص ، یک معماری U-NET مبتنی بر تجزیه دامنه (DDU-NET) معرفی شده است ، که پارتیشن ها تصاویر را به تکه های غیر همپوشانی وارد می کنند که می توانند به طور مستقل در دستگاه های جداگانه پردازش شوند.یک شبکه ارتباطی برای تسهیل تبادل اطلاعات بین پچ به منظور تقویت درک زمینه مکانی اضافه می شود.اعتبار سنجی تجربی بر روی یک مجموعه داده مصنوعی انجام می شود که برای اندازه گیری اثربخشی شبکه ارتباطی طراحی شده است.سپس ، عملکرد بر روی مجموعه داده طبقه بندی پوشش DeepGlobe Land به عنوان یک مجموعه داده معیار در دنیای واقعی آزمایش می شود.نتایج نشان می دهد که این رویکرد ، که شامل ارتباطات بین بسته برای تصاویر تقسیم شده به زیرزمین های غیر همپوشانی 16 $ $ 16 $ است ، به یک تقاطع بالاتر از 2-3 $ ، ٪ $ بالاتر از اتحادیه (IOU) در مقایسه با همان شبکه می رسدارتباطات بین پچ.عملکرد شبکه که شامل ارتباطات می شود ، معادل آن با یک شبکه U-Net است که روی تصویر کامل آموزش دیده است ، نشان می دهد که مدل ما یک راه حل مؤثر برای تقسیم تصاویر با وضوح فوق العاده بالا ضمن حفظ زمینه فضایی ارائه می دهد.این کد در https://github.com/corne00/hires-seg-cnn در دسترس است.