Feb, 2023

基于多尺度概率映射引导的具有注意力机制的指数池化在道路和建筑物分割中的应用

PDF
TL;DR该研究提出了一种新的多尺度监督扩张多路径注意力网络（MSSDMPA-Net）框架，其中包括动态注意力映射引导索引池化（DAMIP）和动态注意力映射引导空间和通道注意力（DAMSCA）等两个模块来从卫星图像中精确提取建筑物和道路，并且实验证明其优于现有方法。
road extractionbuilding extractionremote sensingconvolutional neural networkattention mechanism
发现论文，激发创造
  • MAP-Net: 多注意力路径神经网络用于遥感影像建筑物轮廓提取

    本文提出了一种新的多路径并行卷积神经网络（MAP-Net）用于从遥感影像中精确提取多尺度建筑物轮廓和精确边界，通过注意力模块和金字塔空间池化模块来学习保持空间本地化的多尺度特征和优化建筑物轮廓，实验表明 MAP-Net 在边界定位精度和大建筑物连续性方面优于现有算法。

    Oct, 2019

  • AMMUNet: 遥感图像分割的多尺度注意力地图融合

    AMMUNet 是一种基于 UNet 的框架，通过多尺度注意力图合并实现全局建模，用于精确的遥感语义分割，并取得了优越的性能。

    Apr, 2024

  • 用于城市街景图像的多尺度语义先验特征引导深度神经网络

    这篇论文介绍了一种深度神经网络（DNN），多尺度语义先验特征引导图像修复网络（MFN），用于修补街景图像，以实现隐私保护并为城市应用生成可靠场景。

    May, 2024

  • 城市街景的实时高性能语义图像分割

    本文提出了一种用于城市街景的语义分割的高性能深卷积神经网络方法，它实现了精度和速度之间的良好权衡，并展示了在实时速度下使用单个 NVIDIA TITAN X 卡片在具有挑战性的 Cityscapes 和 CamVid 测试数据集上分别实现了 73.6％和 68.0％的 mIoU 精度。

    Mar, 2020

  • 层次多尺度注意力用于语义分割

    本文介绍了一种基于注意力机制的多尺度预测整合方法，其中的层次化结构能够节省大量内存，提高训练速度和模型精度，并在 Cityscapes 和 Mapillary Vistas 数据集上达到了新的最优结果。

    May, 2020

  • DmADs-Net：用于医学图像分割的稠密多尺度注意力和深度监督网络

    通过对复杂数据集和不同类型的数据集进行广泛实验，本研究提出了一种名为 DmADs-Net 的密集多尺度注意力和深度监督网络，通过特征提取、特征注意力块和特征融合等模块的创新，该网络在处理医学图像中的病变定位和特征提取方面取得了优于主流网络的表现。

    May, 2024

  • 用于语义分割的融合注意力网络，在极高分辨率遥感图像中的应用

    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

  • 使用卷积神经网络进行大规模建筑物提取：美国地图绘制

    通过采用分支卷积神经网络、全卷积神经网络、条件随机场作为循环神经网络以及 SegNet 四种卷积神经网络体系结构，对美国整个大陆分类提取建筑物轮廓线，将符号距离标签与 SegNet 结合，改进了建筑物轮廓线的提取结果并提出了融合近红外信息的建筑物整体提取框架，同时比较了精度、召回率、并集交集以及提取建筑物的数量等指标。

    May, 2018

  • 医学图像分割的多尺度自引导注意力

    采用引导自我关注机制的卷积神经网络模型对医学图像进行语义分割，能够更好地捕捉图像中的上下文依赖关系，去除冗余的信息提取并集成本地特征和全局依赖，强调相关特征关联，从而取得更好的分割效果。

    Jun, 2019

  • 关注尺度：尺度感知的语义图像分割

    本论文研究了怎样在卷积神经网络中实现多尺度特征表示，提出了一种注重对每个像素位置进行加权的注意力机制。通过对三个大型数据集的广泛实验，证明了该方法的有效性。

    Nov, 2015