透过窗外看世界：用广泛上下文变换器进行高分辨率遥感图像的语义分割

Jun, 2021

透过窗外看世界：用广泛上下文变换器进行高分辨率遥感图像的语义分割

Looking Outside the Window: Wide-Context Transformer for the Semantic Segmentation of High-Resolution Remote Sensing Images

PDF

Lei Ding, Dong Lin, Shaofu Lin, Jing Zhang, Xiaojie Cui...

TL;DR本文提出了一个使用广域上下文网络和上下文变换器的神经网络方法，用于通过远程传感器图像的地物分类。通过实验验证，该方法在处理高分辨率遥感图像领域中相当有效，同时介绍了一个新的高分辨率卫星数据集，可以促进该领域的未来研究。

Abstract

Long-range contextual information is crucial for the semantic segmentation of High-Resolution (HR) remote sensing images (RSIs). However, image cropping operations, commonly used for training neural networks, lim

semantic segmentation remote sensing images wide-context network context transformer neural network

发现论文，激发创造

透过树木看见道路：一种利用航空影像对空间依赖性建模的基准

本研究提出了一种用于评估地理空间机器学习模型空间远程上下文理解能力的道路分割基准数据集，展示了常用的语义分割模型在该任务中的失败情况，并分析了模型在决策的相关背景（未遮挡的道路）距离变化时的性能变化。

Jan, 2024

Hi-ResNet：高分辨率遥感图像语义分割网络

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

多视角遥感图像分割的隐式射线变换器

该论文提出了一种基于 Implicit Ray-Transformer 和神经场的遥感场景语义分割方法，在有限的标记视图的情况下，通过引入多视角的三维结构先验信息以实现精确和视图一致的语义分割，并在实验中取得了较好效果。

Mar, 2023

跨注意力时空上下文变换器用于历史地图语义分割

提取历史地图的信息是一项具有挑战性的任务，尤其是在考虑到数据依赖性不确定性的情况下，我们提出了一种融合时空特征和交叉注意力变换器的 U-Net 网络（U-SpaTem），该模型在分割任务上表现出比其他方法更好的性能。

Oct, 2023

基于上下文化多任务学习的结构保持图像超分辨率

本研究提出了一种基于多任务学习的框架，通过引入全局边界上下文和残留上下文来提升图像恢复中结构细节的保留，其在多个标准基准测试中表现出比其他基于卷积神经网络的 SR 方法更高的恢复质量和计算效率。

Jul, 2017

视觉 Transformer: 从语义分割到密集预测

本研究首次探索视觉变换器（ViT）的全局上下文学习潜力以实现密集视觉预测，编码图像作为一系列补丁并学习全局上下文，使 ViT 可以捕获更强的长距离依赖信息，提出的分割转换器（SETR）在 ADE20K 和 Pascal Context 数据集上取得了出色表现，同时提出了一系列分层本地 - 全局转换器，架构由局部关注（在窗口内）和全局关注（跨窗口）构成，对于各种密集预测任务具有吸引人的性能

Jul, 2022

卷积网络基于动态多上下文遥感图像分割

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

DCN-T: 基于 Transformer 的双重上下文网络用于高光谱图像分类

本研究提出了一种基于三波段图像生成、端到端分割网络和集成学习方法的高光谱图像分类方案，能够优于现有最先进的方法。

Apr, 2023

具有超丰富背景的超高分辨率分割：一项新的基准测试

介绍一种包含高分辨率图像，丰富场景上下文和细致注释的大规模数据集 URUR，以及一个更高效和有效的含有离散小波变换和小波平滑损失的 UHR 语义分割框架 WSDNet。

May, 2023

遥感图像土地覆盖分类的长程相关监督

在这篇论文中，我们提出了一种名为 SLCNet 的新型受监督的长程关联方法，用于土地覆盖分类，该方法在地物遥感图像上的表现优于当前使用的非监督策略。在 SLCNet 中，我们通过使用地面真实语义分割图中的类别一致性信息进行监督，使属于同一类别的像素高度相关而具有不同类别的像素不相关，从而产生了更一致的重校准特征，无论它们的接近程度如何。为了补充全局长程关联中缺少的详细信息，我们在编码器中引入了一个辅助的自适应感受野特征提取模块，用于捕捉多尺度遥感图像中多尺寸目标的精细特征表示。此外，我们采用了多尺度边输出监督和混合损失函数作为局部和全局约束，进一步提高了分割准确性。实验证明，与计算机视觉、医学和遥感领域的先进分割方法相比，SLCNet 在所有数据集上都实现了最先进的性能。

Sep, 2023