U-Net 架构的演进，结合领域分解与通信网络的超高分辨率图像分割新策略 ！

主要观点总结

本文提出了一种基于领域分解的U-Net架构（DDU-Net），它结合编码器-解码器结构与领域分解策略，用于解决超高分辨率图像分割中的空间信息丢失和计算效率低下等问题。DDU-Net通过将输入图像分割成可独立处理的不重叠块，并增加通信网络以增强对空间上下文的理解，从而在保持空间上下文的同时，提供了一种有效的解决方案。实验结果表明，DDU-Net在合成数据集和真实数据集上均表现出优于基准U-Net模型的分割性能，尤其在高分辨率图像上。

关键观点总结

关键观点1: DDU-Net架构

DDU-Net结合了编码器-解码器结构与领域分解策略，通过将输入图像分割成可独立处理的不重叠块，并增加通信网络，以增强对空间上下文的理解，从而高效地处理高分辨率图像分割。

关键观点2: 通信网络

DDU-Net中增加了一个通信网络，用于不同子图像间的信息交换，增强对空间上下文的理解，而不会带来显著的计算开销和额外的通信与内存成本。

关键观点3: 实验结果

在合成数据集和真实数据集上的实验结果表明，DDU-Net具有竞争力的分割性能，即使在训练仅限于可处理的最大图像部分时，仍具有可扩展性。

关键观点4: 未来研究方向

未来的研究将聚焦于改进通信策略，将DDU-Net应用于更复杂的数据库，并评估并行化对计算时间的好处。另一个研究方向是将本文中开发的并行化策略扩展到其他编码器-解码器架构。

文章预览

在本次研究中，针对超高分辨率图像分割中出现的空间信息丢失和计算效率低下等问题，提出了一种将编码器-解码器结构与领域分解策略相结合的创新方法。 具体来说，本研究引入了一种基于领域分解的U-Net架构（DDU-Net），它能将输入图像分割成可以独立在不同设备上处理的不重叠块。此外，还增加了一个通信网络，以便于块与块之间的信息交换，从而增强对空间上下文的理解。在合成数据集上进行的实验验证旨在衡量通信网络的有效性。 随后，在DeepGlobe土地覆盖分类数据集上进行了性能测试，该数据集作为现实世界的基准数据集。实验结果表明，对于划分为16×16不重叠子图像的图像，包含块间通信的方法比不包含通信的相同网络能获得高出2-3%的交并比（IoU）得分。包含通信的网络性能与在完整图像上训练的基准U-Net相当，这表明本模型在保持 ………………………………