遥感场景分类的成对比较网络
本文设计了一种新型神经网络结构,称为 Deep Comparator Network,实现面部图像的两两比较,以得到相似度。经过较大规模测试集的比较,该方法明显优于以往技术并可以广泛应用于面部识别。
Jul, 2018
本文系统地介绍了 160 多篇文献中深度学习在遥感图像场景分类中的应用,包括自编码器、卷积神经网络和生成对抗网络等方面,总结了在三个常用数据集上的代表性算法的性能以及未来的研究前景。
May, 2020
本文提出了 SCNet,一种基于卷积神经网络的语义对应的几何合理模型,利用区域提议实现匹配原语,并明确将几何一致性纳入其损失函数中,该方法在多项基准测试中均表现优异。
May, 2017
本文提出了一种通过对比学习进行多层次交叉模态特征对齐的方法,以用于遥感图像场景的零样本分类,实验结果表明该方法优于目前现有的零样本遥感图像场景分类方法。
May, 2023
本文介绍了 SEN12MS 数据集的分类转换及使用该数据集对不同模型和数据类型进行测试后,证明多光谱和多传感器数据融合对遥感图像分类的好处。
Apr, 2021
本文系统评述了现有远程感知图像场景识别数据集和方法存在的局限性,提出了一个大规模数据集 NWPU-RESISC45,该数据集包含 31,500 张图像,提供了准确、全面和多样化的评估基准,为深度学习等算法提供了便利。
Mar, 2017
本研究旨在探讨使用卷积神经网络对遥感场景进行语义分类的方法,通过采用 CaffeNet 和 GoogLeNet 架构,并进行多种不同的学习方式包括预训练网络的微调等,实验结果表明该方法在两个遥感数据集的性能表现都显著优于同类方法。
Aug, 2015
本研究介绍了一种基于卷积神经网络的密集对应关系匹配方法,使用邻域一致性匹配模式在两幅图像所有可能的对应关系的 4D 空间中鉴别一组具有空间一致性的对应关系。该方法不需要全局几何模型,只需要弱监督的成对图像匹配信息进行训练。最后,该方法在类别匹配和实例级匹配任务中均取得了最优结果。
Oct, 2018
本文提出了一种基于上下文聚合的卷积神经网络 (ConvNet) 的新型表达形式,即 ResNet-TP,它采用 ResNet 作为骨干网络,拥有两个路径,允许网络建模局部细节和区域上下文,实验结果表明,在 UCM Land Use 和 NWPU-RESISC45 两个场景分类数据集上,相比现有最先进的方法,提出的机制取得了显着的改进。
Feb, 2018
远程感知图像的语义分割是远程感知图像解释中的重要问题。目前已经取得了显著的进展,虽然现有的深度神经网络方法在依赖大量训练数据方面存在问题。少样本远程感知语义分割旨在仅使用少量标注的目标类别支持图像从查询图像中学习分割目标对象。然而,现有的少样本学习方法主要集中在从支持图像中提取信息,未能有效解决地理对象外观和尺度的大差异。为了解决这些挑战,我们提出了一种自相关和交叉相关学习网络,用于少样本远程感知图像语义分割。我们的模型通过考虑支持图像和查询图像之间的自相关和交叉相关来增强泛化性能。为了进一步探索与查询图像的自相关性,我们提出采用经典的频谱方法,基于图像的基本视觉信息生成一个类别无关的分割掩模。在两个远程感知图像数据集上进行了大量实验,证明了我们的模型在少样本远程感知图像语义分割中的有效性和优越性。代码和模型可以在此 URL 中访问。
Sep, 2023