Recent developments in hyperspectral satellites have dramatically promoted the wide application of large-scale quantitative remote sensing. As an essential part of preprocessing, cloud detection is of great significance for subsequent quantitative analysis. For Gaofen-5 (GF-5) data producers, the daily cloud detection of hundreds of scenes is a challenging task. Traditional cloud detection methods cannot meet the strict demands of large-scale data production, especially for GF-5 satellites, which have massive data volumes. Deep learning technology, however, is able to perform cloud detection efficiently for massive repositories of satellite data and can even dramatically speed up processing by utilizing thumbnails. Inspired by the outstanding learning capability of convolutional neural networks (CNNs) for feature extraction, we propose a new dual-branch CNN architecture for cloud segmentation for GF-5 preview RGB images, termed a multiscale fusion gated network (MFGNet), which introduces pyramid pooling attention and spatial attention to extract both shallow and deep information. In addition, a new gated multilevel feature fusion module is also employed to fuse features at different depths and scales to generate pixelwise cloud segmentation results. The proposed model is extensively trained on hundreds of globally distributed GF-5 satellite images and compared with current mainstream CNN-based detection networks. The experimental results indicate that our proposed method has a higher F1 score (0.94) and fewer parameters (7.83 M) than the compared methods.

中文翻译：

---

一种通过深度学习对高分5图像进行有效云检测的方法

高光谱卫星的最新发展极大地促进了大规模定量遥感的广泛应用。作为预处理的重要组成部分，云检测对于后续的定量分析具有重要意义。对于Gaofen-5（GF-5）数据生产者而言，每天对数百个场景进行云检测是一项艰巨的任务。传统的云检测方法无法满足大规模数据生产的严格要求，尤其是对于海量数据量较大的GF-5卫星而言。但是，深度学习技术能够针对大量卫星数据存储库有效地执行云检测，甚至可以通过利用缩略图显着加快处理速度。受到卷积神经网络（CNN）出色的特征提取学习能力的启发，我们为GF-5预览RGB图像提出了一种用于云分割的新的双分支CNN架构，称为多尺度融合门控网络（MFGNet），它引入了金字塔池注意力和空间注意力以提取浅层和深层信息。此外，新的门控多级特征融合模块还用于融合不同深度和比例的特征，以生成像素级云分割结果。该模型在数百张全球分布的GF-5卫星图像上进行了广泛的训练，并与当前基于CNN的主流检测网络进行了比较。实验结果表明，与所比较的方法相比，我们提出的方法具有更高的F1分数（0.94）和更少的参数（7.83 M）。称为多尺度融合门控网络（MFGNet），它引入金字塔池注意和空间注意以提取浅层和深层信息。此外，新的门控多级特征融合模块还用于融合不同深度和比例的特征，以生成像素级云分割结果。该模型在数百张全球分布的GF-5卫星图像上进行了广泛的训练，并与当前基于CNN的主流检测网络进行了比较。实验结果表明，与所比较的方法相比，我们提出的方法具有更高的F1分数（0.94）和更少的参数（7.83 M）。称为多尺度融合门控网络（MFGNet），它引入金字塔池注意和空间注意以提取浅层和深层信息。此外，新的门控多级特征融合模块还用于融合不同深度和比例的特征，以生成像素级云分割结果。该模型在数百张全球分布的GF-5卫星图像上进行了广泛的训练，并与当前基于CNN的主流检测网络进行了比较。实验结果表明，与所比较的方法相比，我们提出的方法具有更高的F1分数（0.94）和更少的参数（7.83 M）。新的门控多级特征融合模块还用于融合不同深度和比例的特征，以生成像素级云分割结果。该模型在数百张全球分布的GF-5卫星图像上进行了广泛的训练，并与当前基于CNN的主流检测网络进行了比较。实验结果表明，与所比较的方法相比，我们提出的方法具有更高的F1分数（0.94）和更少的参数（7.83 M）。新的门控多级特征融合模块还用于融合不同深度和比例的特征，以生成像素级云分割结果。该模型在数百张全球分布的GF-5卫星图像上进行了广泛的训练，并与当前基于CNN的主流检测网络进行了比较。实验结果表明，与所比较的方法相比，我们提出的方法具有更高的F1分数（0.94）和更少的参数（7.83 M）。