AF$_2$: 航空影像分割的自适应聚焦框架
本文介绍了一种基于 AF2-S3Net 的端到端编解码 CNN 网络,用于 3D LiDAR 语义分割,并在大规模 SemanticKITTI 基准测试上展示了其优越性能。
Feb, 2021
该研究论文通过多尺度注意力特征提取块(MSAFEB)基于多尺度卷积和跳跃连接,实现了对复杂和小目标的高分辨率航空遥感图像的稳定分类性能。在两个基准数据集上的实验研究表明,该方法达到了稳定的性能(最小标准差为 0.002)和良好的整体分类性能(AID:95.85%和 NWPU:94.09%)。
Aug, 2023
本文提出了一种多路径编码器结构来提取多路径输入的特征,多路径注意力融合块模块来融合多路径特征,以及细化注意力融合块模块来融合高层抽象特征和低层空间特征。同时,提出了一种新的卷积神经网络架构,名为注意力融合网络 (AFNet)。基于该 AFNet,在 ISPRS Vaihingen 2D 数据集上达到了 91.7% 的整体精度和 90.96% 的平均 F1 分数,在 ISPRS Potsdam 2D 数据集上达到了 92.1% 的整体精度和 93.44% 的平均 F1 分数,取得了最先进的性能。
May, 2021
本文从关系建模和基于优化的前景建模的角度出发,提出了一种强调前景相关性的前景感知网络 FarSeg,以缓解地物目标分割面临的大尺度变化、高背景内类间差异和前景 - 背景不平衡等问题,实验结果表明该方法优于现有的语义分割方法,并在速度和准确度之间取得了更好的折衷效果。
Nov, 2020
本文提出了 AerialFormer 方法,该方法融合 Transformers 和轻量级 MD-CNNs,并应用于航空影像分割领域。在 iSAID、LoveDA 和 Potsdam 三个数据集上进行了广泛的实验研究,结果表明该方法比之前的最先进方法表现更卓越。
Jun, 2023
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
本研究提出自适应对焦卷积层用于语义分割,通过并行合并多个不同膨胀率的卷积层及注意力机制,该卷积层可以根据处理后的上下文自适应地改变有效感受野的大小,提高网络的多尺度处理能力和特征提取能力,且可以轻松地集成到已有的网络中。我们在盆腔 CT 和脑部 MRI 分割等具有挑战性的任务上评估了该方法,获得了非常有希望的性能表现。
May, 2018
我们提出了一种新的用于语义分割的算法 —— 自适应亲和场(Adaptive Affinity Fields, AAF),通过在训练过程中学习空间结构验证,能够捕捉和匹配相邻像素之间的语义关系,实现更高效的分割性能和跨领域的鲁棒性。
Mar, 2018
本研究提出了一种名为 AutoFocusFormer (AFF) 的局部 - 注意力 Transformer 图像识别骨干网络,通过学习保留任务中最重要的像素来实现自适应降采样,采用点基础分割方法,使得小目标在降采样过程中得到更充分地表示,并展示它在分割任务中显著优于基线模型。
Apr, 2023