远程感知影像的实时语义分割是一个具有挑战性的任务，需要在效果和效率之间进行权衡。本论文总结了设计高效深度神经网络的基本压缩方法，并对远程感知影像的实时语义分割的最新发展进行了简要而全面的调查。实验结果表明，现有的大多数高效深度神经网络都具有良好的分割质量，但它们存在推理速度低（即高延迟率）的问题，可能限制了它们在实时应用中的部署能力。我们对远程感知影像实时语义分割的当前趋势和未来研究方向提供了一些见解。

Sep, 2023

本文提出了一种多模态语义分割模型，可以适用于日间和夜间场景，通过引入热成像技术和 RGB 照片，利用现有白天 RGB 数据集实现对夜间图像的学习，并提出了一个新的域对齐训练方法，在自动驾驶方面获得了最新的夜间语义分割结果。

Mar, 2020

利用卫星派生数据产品和机载全球定位和姿态估计，我们提出了一种自动为航空器捕获的热成像生成语义分割注释的新方法。通过结合热条件细化步骤和可视化基础模型，我们的方法可以使用低分辨率的卫星土地覆盖数据产生高精度的语义分割标签，并且相比于目前用于生成 RGB 成像注释的基于大型视觉 - 语言模型的零样本语义分割方法，我们的方法在性能上实现了 70-160% 的改善。

Mar, 2024

本文针对自主行驶场景下的语义分割问题进行了调研，从模型开发、RGB-D 数据集集成、时域信息模型三个方面讨论了目前最相关和最新的深度学习方法，旨在为读者提供关于这一激动人心和具有挑战性的研究领域的最新进展。

Mar, 2023

通过分析语义分割、纵向和空间丰富的热红外图像，在城市尺度上识别热点和冷点，该研究为城市规划者提供了自动分析热红外图像的潜在应用，以制定减少城市热岛效应、提高建筑能效和最大限度地改善室外热舒适度的缓解策略。

Oct, 2023

本研究致力于解决遥感图像 open-set 场景下的语义分割技术的问题，开发出一种新的方法，并对其进行了评估，得出了与封闭集方法相同数据集相比具有竞争力的结果

Jan, 2020

本文提出在语义分割中使用基于学习的技术并支持长波红外成像 (LWIR) 技术，解决了 RGB - 热成像相机校准和数据集问题并比较表明使用我们的方法可以获得最佳的结果。

Sep, 2019

该论文综述了应用于各种应用领域的基于深度学习技术的图像语义分割方法，描述了该领域的术语和必要的背景概念，并评估了现有方法的贡献和意义，并给出了相应的定量结果和讨论。

Apr, 2017

本文提出了一种基于深度学习的解决方案，通过多模态图像融合模型来提高热红外图像的分辨率，并研究了一系列网络架构、上采样方法、学习过程以及优化函数对图像超分辨率问题的有益作用，并提出了一个基准数据集进行定量评估

Dec, 2018

本研究使用深度卷积神经网络在多光谱影像语义分割上的状态使用，通过使用生成的合成图像代替真实的图像进行数据集初始化，成功地克服了多光谱影像数据标注不足的问题，并在新的 RIT-18 数据集上表现出最高水平作为未来工作的基础。

Mar, 2017