卷积网络基于动态多上下文遥感图像分割
本研究使用深度卷积神经网络在多光谱影像语义分割上的状态使用，通过使用生成的合成图像代替真实的图像进行数据集初始化，成功地克服了多光谱影像数据标注不足的问题，并在新的RIT-18数据集上表现出最高水平作为未来工作的基础。
Mar, 2017
本文介绍了一种解决遥感图像中对象小而拥挤的局限性，名为LFE架构的新型结构，其核心是在扩张前端模块之上添加局部特征提取模块，通过聚合不断减小的扩张因子来聚合本地特征，实现了卫星遥感图像的语义分割，取得了显著的效果。
Sep, 2017
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
本文提出了一种多路径编码器结构来提取多路径输入的特征，多路径注意力融合块模块来融合多路径特征，以及细化注意力融合块模块来融合高层抽象特征和低层空间特征。同时，提出了一种新的卷积神经网络架构，名为注意力融合网络(AFNet)。基于该AFNet，在ISPRS Vaihingen 2D数据集上达到了91.7%的整体精度和90.96%的平均F1分数，在ISPRS Potsdam 2D数据集上达到了92.1%的整体精度和93.44%的平均F1分数，取得了最先进的性能。
May, 2021
本研究提出了一个高分辨率遥感图像网络模型，可解决同类别地物在不同地理环境下形态和比例显著不同，以及复杂背景噪声干扰下影响现有学习算法效果的问题。该模型包含漏斗模型、信息聚合模块、特征精炼模块和CEA Loss损失函数，并通过有效的预处理策略，在三个高分辨率遥感图像分割基准数据集上取得了优异表现。
May, 2023
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
在遥感图像分析中，针对通过滑动窗口局限性的问题，提出了一种动态尺度感知框架GeoAgent，根据不同的地理对象自适应地捕捉图像块外的合适尺度上下文信息，通过全局缩略图和位置蒙版表示每个图像块的状态，利用尺度控制代理进行尺度选择动作来切换分割网络的尺度和上下文分支，实现了多尺度图像块特征的提取和融合，通过调整网络参数来执行合适的尺度选择动作，实验证明GeoAgent在大规模制图应用中优于传统分割方法。
Sep, 2023
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
提出了一种新的语义分割模型，该模型基于扩散模型和多尺度特征，在改进分割边界和提供上下文信息方面做出了贡献，并通过集成递归去噪分支来检测重复分布数据，旨在解决传统U-net模型中解释中间特征的挑战，并通过引入交叉桥线性关注机制扩展了模型结构，提高了网络性能。
May, 2024