S3Former: Self-supervised High-resolution Transformer for Solar PV Profiling

随着气候变化的影响不断加剧，全球转向可持续能源的必要性变得越来越明显。可再生能源已成为用户的可行选择，其中光伏能源由于其可靠性和效率而成为小型安装的首选。准确地绘制光伏安装图对于了解其采用的范围并通知能源政策至关重要。为满足这一需求，我们介绍了S3Former，旨在从航空图像中分割太阳能电池板并提供关键的大小和位置信息，以便分析这些安装对电网的影响。由于天气条件、屋顶特征、地面采样距离变化和缺乏适当的初始化权重以进行优化训练等因素，太阳能电池板的识别具有挑战性。为了解决这些复杂性，S3Former采用了一个蒙版注意力变换器，其中包含一个自监督学习预训练的骨干网络。具体而言，我们的模型利用从骨干网络提取的低级和高级特征，并在变换器架构上加入了实例查询机制，以增强太阳能光伏安装的定位。我们引入了一个自监督学习阶段（预文本任务），以改善S3Former骨干网络上的初始化权重。我们使用多样的数据集评估了S3Former，并展示了其优于现有模型的改进。

本文旨在解决太阳能电池板在航空图像中的精确分割问题，以提供关键的位置和大小信息，以便分析其对电网的影响。

本文提出了S3Former，采用Masked Attention Mask Transformer和自监督学习预训练骨干网络来识别太阳能电池板并增强其定位能力。

本文的亮点包括使用自监督学习预训练骨干网络来提高初始化权重，采用Masked Attention Mask Transformer来增强定位能力，实验结果表明S3Former在多个数据集上表现优于现有模型。

最近的相关研究包括利用深度学习技术进行太阳能电池板识别和分割的研究，如《Solar Panel Detection and Segmentation Using Deep Learning Techniques》和《Deep Learning-Based Solar Panel Detection and Segmentation in Aerial Imagery》。