High-Resolution Cloud Detection Network

本文介绍了一种高分辨率云检测网络HR-cloud-Net，该网络采用了分层高分辨率集成方法。HR-cloud-Net整合了高分辨率表示模块、逐层级联特征融合模块和多分辨率金字塔池化模块，以有效地捕捉复杂的云特征。该架构保留了详细的云纹理信息，同时促进了不同分辨率之间的特征交换，从而提高了云检测的整体性能。此外，本文还介绍了一种新颖的方法，即利用由处理正常图像的教师视图监督的学生视图，该学生视图在嘈杂的增强图像上进行训练。这种设置使得学生可以从教师提供的更清晰的监督中学习，从而提高了性能。在三个光学卫星图像云检测数据集上的广泛评估验证了HR-cloud-Net相对于现有方法的卓越性能。源代码可在\url{https://github.com/kunzhan/HR-cloud-Net}上获得。

本文旨在解决现有云检测网络在高分辨率云纹理细节方面的不足，提出了一种利用分层高分辨率集成方法的HR-cloud-Net，以有效捕捉复杂的云特征。

HR-cloud-Net结合了高分辨率表示模块、层级级联特征融合模块和多分辨率金字塔池化模块，既保留了详细的云纹理信息，又促进了不同分辨率之间的特征交换，从而提高了云检测的整体性能。此外，还引入了一种新颖的方法，即利用由正常图像处理的教师视图来监督由噪声增强图像训练的学生视图，从而提高性能。

本文的亮点在于使用了三个光学卫星图像云检测数据集进行了广泛的评估，并证实了HR-cloud-Net相对于现有方法的卓越性能。此外，还提供了开源代码。

最近的相关研究包括：1.基于深度学习的云检测方法综述；2.基于多特征融合的云检测方法；3.基于卷积神经网络的云检测方法。