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

本文介绍了一种从航拍图像中提取语义特征的新策略，同时展示了通过该策略在地址估计和语义分割任务上的性能优于两种基线方法。

Dec, 2016

本文研究了使用卫星图像语义分割实现自动生成地图的问题。通过使用不同的训练数据集进行对比分析，文章指出采用大规模公开标注来取代部分手动标注可以显著降低成本且不影响语义分割效果

Jul, 2017

本文提出了一种新的多任务、多阶段神经网络，能够在单次前向传递中同时处理语义分割和基于视觉的航拍图像地理定位两个问题，并在卫星图像中实现商用 GPS 级别的本地化精度以及在 Inria Aerial Image Labeling 数据集和 Massachusetts Buildings 数据集上达到领先水平的分割效果。

Apr, 2018

利用多视角方法，通过地面测量、无人机图像、摄影测量结果和手动调查的物种分类数据，将航拍图像直接生成预测，并准确地映射到地理空间坐标中，在树种分类任务中相对于传统地平面合成图像基准，将分类准确率从 53% 提高到 75%。

May, 2024

通过将 nosiy 的 2D 标签提升至 3D，我们提出了一种用于城市规模语义和建筑级别实例分割的神经辐射场方法。我们首先引入了一种适应尺度的语义标签融合策略，通过合并来自不同高度预测的标签来增强不同大小的对象的分割，然后基于 3D 场景表示引入了一种新颖的交叉视图实例标签分组策略，以减轻 2D 实例标签中的多视图不一致性问题。此外，我们利用多视图重构深度先验来改善重建辐射场的几何质量，从而实现了增强的分割结果。在多个真实世界的城市规模数据集上的实验表明我们的方法优于现有方法，突显了其有效性。

Mar, 2024

通过引入结构对齐和语义感知的方法，本文提出了一种新的框架来解决航空图像到地面图像合成的挑战，通过将航空图像的特征与地面布局对齐，实现了复杂地理结构的重建，同时通过引入预训练分割网络，通过计算不同类别的损失并平衡它们，实现了跨类别综合样式的生成。通过与现有方法的比较和削减研究，本方法在质量和数量上显示出了有效性。

Aug, 2023

本文旨在使用卷积神经网络来解决跨视角图像地理定位的问题，并介绍了用于地面图像和航拍图像的特征表示，并提出一种融合多个空间尺度提取的特征的网络架构，并通过实验表明其比现有方法更为优越。

Oct, 2015

通过语义场景分割来提供强大的正则化先验以解决立体对应和重建问题的不确定性，利用无意卫星图像进行成对语义立体和多视角语义三维重建的研究已经成为可能。

Nov, 2018

该论文提出了一种基于多任务学习的编码器模型的方法，通过特征共享来同时进行航空深度完成和目标检测，进而提高无人机 3D 建图的资源利用效率，该方法实验结果表明在特定情况下，比单任务的深度完成算法表现更好。

Apr, 2023