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

本文研究深度学习在语义分割中的应用，通过引入 “区域 - 区域” 和 “区域 - 背景” 上下文信息，结合 CNN 和 CRF 模型来建立深度结构模型，实现图像区域与区域之间的语义关联性建模。采用高效的 piecewise 训练方法，克服 CRF 推理开销大的问题，同时引入多尺度训练和滑动金字塔保证对背景信息的适当捕捉，通过对 NYUDv2, PASCAL-VOC2012, Cityscapes, PASCAL-Context, SUN-RGBD, SIFT-flow 和 KITTI 数据集的全面评估，证明该方法在语义分割领域达到了最先进的水平。

Mar, 2016

本文提出了一种改进图像语义分割性能的方法，通过使用上下文信息学习 Patch-Patch 和 Patch-Background 的语义相关性，使用带有条件随机场的 CNN 对邻近 patch 之间的语义相关性进行建模，并采用高效的分段训练方法。同时，通过使用传统的多尺度图片输入和滑动金字塔池化等手段捕捉图像区域与背景的上下文信息，结果在多种流行的语义分割数据集上取得了最先进的性能，并在 PASCAL VOC 2012 数据集上取得了 78.0 的交叉联合分数。

Apr, 2015

本文提出了一种特别为密集预测设计的新的卷积网络模块，该模块利用扩张卷积系统地汇集多尺度上下文信息，而不会丢失分辨率，并证明了该模块可以提高现有最先进的语义分割系统的精度。同时，作者还探究了将图像分类网络适应于密集预测的可能性，并提出了简化适应后的网络结构有助于提高精度。

Nov, 2015

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

本文研究使用深度完全卷积网络来处理多模态多尺度遥感数据的语义标注，并采用有效的多尺度方法来提高语义标注的精度和深入研究数据的早期和后期融合方法，并在两个公共数据集上验证了我们的方法，表现出令人满意的结果。

Nov, 2017

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

本文介绍了一种利用机器学习技术，结合公开遥感数据，使用卷积神经网络模型实现不同类植被的分离的方法，旨在解决处理遥感数据的效率问题。

Sep, 2022

本文介绍了一种应用深度卷积神经网络用于语义标签高分辨率遥感数据的方法，采用了全卷积网络和预训练卷积神经网络在卫星图像识别中得到了较好的应用效果。

Jun, 2016

本文研究了高分辨率遥感卫星图像中像素级预测方法的挑战，提出了一种新的级联多任务损失来保留语义分割边界。结果表明，不需要额外的后处理步骤，我们的方法在 Inria 航空图像标注数据集上优于现有技术 8.3％。

Sep, 2017