遥感图像中的地物覆盖分类的尺度感知适应
提出了一种新的轻量级模型 ——GeoMultiTaskNet,使用地理坐标对源领域和目标领域进行信息对齐,采用动态类别抽样(Dynamic Class Sampling)策略来适应语义分割的损失函数,将其用于自然资源遥感图像分割,并取得了最先进的性能。
Apr, 2023
本研究提出了一种新颖的域自适应范式,利用遥感卫星数据来研究对比自监督表示学习和知识转移。通过在源数据集上进行自监督对比学习的预训练,并以循环交替的方式在目标数据集上进行下游任务,该方法实现了自监督知识转移,达到了最先进的性能和可解释的表示学习。
Apr, 2023
本文提出了一种利用深度神经网络对高分辨率遥感图像进行无监督地物分类的方案,通过未标记遥感图像进行伪标注和样本选择来提高模型的转移性,并通过细化预先训练好的模型,组合分块分类和分层分割实现像素级地物分类。
Jul, 2018
本研究探讨了现代领域自适应在多种提出的地理空间基准中的应用,揭示了独特的挑战并提出了解决方案,以解决机器学习在遥感中受到有标签数据瓶颈的困扰。
Jul, 2021
提出了一种多级域自适应模型,通过同时对本地级别特征和全局级别特征分布进行对齐,以解决交叉域目标检测中现有方法对局部特征分布不能有效匹配的问题,并在多种实验中验证了其效果。
Jul, 2019
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
通过设计对抗生成损失,在不定义域的情况下,通过自监督域无关领域自适应方法(SS (DA) 2)来解决全球规模卫星图像处理中由地理区域或获取条件等引起的域漂移问题。
Sep, 2023
本文提出了一种新颖的领域自适应算法,以解决卫星和航拍图像所带来的挑战,并在建筑区域分割问题上证明了其有效性,在城市人口分析中占有重要地位,尤其是跨越多个领域,本文通过一种弱监督适应策略,设计一个建筑区域分割编码器解码器网络,其中添加了一个图像分类头以指导适应,该系统能够处理多种卫星和航拍图像数据集,从高分辨率(HR)到非常高分辨率(VHR),并且实验表明其性能优于现有的技术
Jul, 2020
提出了一种名为 SegLand 的广义少样本分割框架,用于在高分辨率土地覆盖映射中更新新颖类别,实验表明该框架在有限标记数据下自动更新新颖土地覆盖类别方面具有优越性。
Apr, 2024