摘要

空中视频的语义分割在监测环境变化、城市规划和灾害管理中的决策支持方面得到了广泛应用。这些决策支持系统的可靠性取决于视频语义分割算法的准确性。现有的基于卷积神经网络（CNN）的视频语义分割方法通过引入额外模块如长短期记忆网络（LSTM）或光流来计算视频的时间动态，从而提高了图像语义分割方法的效果，但这也带来了计算开销。本研究工作通过对CNN架构进行改进，融入时间信息，以提高视频语义分割的效率。在本研究中，提出了一种增强型编码器-解码器结构的CNN架构（UVid-Net），用于无人机视频的语义分割。该架构的编码器嵌入了时间信息，以实现时间上的一致性标注。解码器通过引入特征精炼模块得到了增强，有助于类标签的精确定位。所提出的UVid-Net架构在扩展后的ManipalUAVid数据集上进行了定量评估，其性能指标mIoU达到了0.79，显著高于其他最先进的算法。此外，即使对UVid-Net预训练模型在城市街道场景下进行微调最终层时，所提出的方法也产生了令人鼓舞的结果。