本文研究了使用深度完全卷积神经网络（DFCNN）对地观测图像进行像素级场景标记。作者使用了变种的SegNet架构对城市区域的遥感数据进行训练，并研究了不同的准确语义分割方法。作者提出以下贡献：1）作者有效地将DFCNN从常规日常图像转移到遥感图像领域；2）作者引入了一个多核卷积层以便于对多个尺度上的预测进行快速聚合；3）作者使用残差校正对异构传感器（光学和激光）的数据进行融合。所提出的方法在ISPRS Vaihingen 2D语义标记数据集上改进了现有技术的准确率。

Sep, 2016

本研究提出了一种利用多层感知域适用于遥感图像的语义分割的新技术，通过训练一个具有不同感知域的扩张网络，从多种异质性环境下获取信息，从训练样本中定义最佳输入补丁大小，显著提高了像素分类精度。

Apr, 2018

通过利用扩张卷积等方法，本文提出一种弱监督下语义分割的新模型，能够得到准确的物体分割结果，相较于之前的方法在具有1,464个分割掩码的半监督和仅有图像级标签的弱监督设置下，分别获得了60.8％和67.6％的高精度分割效果，成为当前最优秀的模型。

May, 2018

本文提出了一种基于卷积神经网络的遥感图像像素级标注方法，该方法使用大输入图像在标注时通过增大CNN模型尺寸以实现标注时间的有效减少及整体标注精度的提高。

May, 2018

本文提出了一种名为DDCM-Net的新架构，该架构通过合并密集膨胀卷积和不同膨胀率，有效地利用了丰富的膨胀卷积组合，同时获取局部和全局的信息，提高了远程遥感图像的分类准确度，并在多个数据集上得到了比其他公开模型更好的结果。

Mar, 2020

远程感知影像的实时语义分割是一个具有挑战性的任务，需要在效果和效率之间进行权衡。本论文总结了设计高效深度神经网络的基本压缩方法，并对远程感知影像的实时语义分割的最新发展进行了简要而全面的调查。实验结果表明，现有的大多数高效深度神经网络都具有良好的分割质量，但它们存在推理速度低（即高延迟率）的问题，可能限制了它们在实时应用中的部署能力。我们对远程感知影像实时语义分割的当前趋势和未来研究方向提供了一些见解。

Sep, 2023

卫星影像重要用于环境监测和城市规划，本研究探索了一个适用于语义分割的剪切粘贴增强技术，通过利用语义分割标签中的联通组件，从而在训练过程中随机粘贴提取的实例，实验结果表明，这种增强技术显著提升了语义分割模型的平均交并比得分，从37.9提升至44.1，彰显了其在卫星影像中提高模型泛化能力的潜力。

Apr, 2024

提出了一种轻量级多模态数据融合网络（LMFNet），用于实现多模态遥感图像的融合和语义分割，通过权重共享、多分支视觉变换来同时容纳RGB、NirRG和DSM等各种数据类型，并通过多模态特征融合重构层和多模态特征自注意融合层对多模态特征进行重构和融合，实验证明了LMFNet的有效性。

Apr, 2024

本研究针对遥感领域在有限标注数据情况下的学习难题，提出了一个广义少样本语义分割基准。通过引入新的数据集和挑战，研究不仅促进了模型对新类的适应能力，还强调在训练基础类上的表现。研究结果表明，该广义设置更具挑战性，对遥感任务具有重要影响。

Sep, 2024

本研究针对遥感图像语义分割中的传统卷积神经网络（CNN）和变换器在建模能力和计算复杂性方面的局限，提出了一种名为LKASeg的网络。该方法结合了大核注意力和全尺度跳跃连接的优点，实现了高效的全尺度特征学习与融合，并在ISPRS Vaihingen数据集上取得了卓越性能，mF1和mIoU分数分别达到90.33%和82.77%。

Oct, 2024