LoveDA: 远程感知土地覆盖数据集,用于领域自适应语义分割
本文介绍了一种基于弱监督学习策略的方法,以处理远程感知特定形式的弱监督数据,并取得高分辨率大规模土地覆盖映射的进展,基于SEN12MS数据集进行了讨论和展示了一些基线结果。
Feb, 2020
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
本文介绍了一种名为SPADA的框架,它利用稀疏的标注和领域自适应技术进行语义分割,用于燃料地图勾画中的地表覆盖分割,在使用LUCAS和Urban Atlas等可靠地面真相进行性能评估后,表明该技术的有效性。
Jun, 2023
为了解决跨城市遥感影像的研究难题,本研究构建了一个新的多模态遥感基准数据集并提出了一种高分辨率领域自适应网络,通过对比其他方法在语义分割任务上的表现,证明了这种方法在分割性能和泛化能力上的优越性。
Sep, 2023
该研究提出了一种针对高分辨率遥感图像的语义分割框架,名为Samba,其采用编码器-解码器架构,使用Samba块作为编码器来高效地提取多层语义信息,以及UperNet作为解码器。在LoveDA数据集上的评估结果表明,Samba在LoveDA上取得了前所未有的性能,为Mamba技术在这一特定应用中的性能设定了新的基准。
Apr, 2024
基于跨领域语义分割的遥感图像的无监督领域自适应(UDA)技术已经在地球科学的深度学习应用中有了显著的进展。最近,Transformer模型在RS-UDA任务中得到了成功应用。然而,现有的UDA方法主要关注高级特征空间中的领域对齐,对于RS图像的语义分割任务,同时保留跨领域的本地空间细节和全局语境语义仍然具有挑战性。为了解决这些问题,我们提出了新颖的高/低频分解(HLFD)技术,以指导跨领域语义分割中的表示对齐。具体而言,HLFD试图在域对齐之前将特征图分解为高频和低频分量,为分别的子空间中进行域对齐。其次,为了进一步促进分解特征的对齐,我们提出了全局局部生成对抗网络(GLGAN),通过利用全局局部变压器块(GLTB)在领域之间学习域不变的细节和语义特征。通过整合HLFD技术和GLGAN,我们开发了一种名为FD-GLGAN的新型UDA框架,以提高语义分割模型的跨领域可传递性和泛化能力。在ISPRS Potsdam和ISPRS Vaihingen这两个优质分辨率基准数据集上进行的大量实验凸显了所提方法相对于最先进的UDA方法的有效性和优越性。本文的源代码将在此https URL进行访问。
Apr, 2024
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
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
该研究使用深度学习语义分割方法,在多光谱、高光谱和高空间分辨率的航拍图像数据集上进行了土地覆盖分类,其中LinkNet模型在所有数据集中获得了高IoU准确率0.92,评估结果显示多光谱图像在IoU和F1得分上表现更佳,展示了LinkNet和多光谱图像在土地覆盖分类上的高效性和广泛适用性。
Jun, 2024
本研究针对遥感领域在有限标注数据情况下的学习难题,提出了一个广义少样本语义分割基准。通过引入新的数据集和挑战,研究不仅促进了模型对新类的适应能力,还强调在训练基础类上的表现。研究结果表明,该广义设置更具挑战性,对遥感任务具有重要影响。
Sep, 2024