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

本文提出了一个刻度感知对抗学习框架，用于实现跨位置和跨刻度的地表覆盖分类，结果表明该框架在远程感知图像分类中的效果优于现有的领域适应方法。

Dec, 2020

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