本文研究了使用深度完全卷积神经网络（DFCNN）对地观测图像进行像素级场景标记。作者使用了变种的SegNet架构对城市区域的遥感数据进行训练，并研究了不同的准确语义分割方法。作者提出以下贡献：1）作者有效地将DFCNN从常规日常图像转移到遥感图像领域；2）作者引入了一个多核卷积层以便于对多个尺度上的预测进行快速聚合；3）作者使用残差校正对异构传感器（光学和激光）的数据进行融合。所提出的方法在ISPRS Vaihingen 2D语义标记数据集上改进了现有技术的准确率。

Sep, 2016

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

本研究提出了一种利用多层感知域适用于遥感图像的语义分割的新技术，通过训练一个具有不同感知域的扩张网络，从多种异质性环境下获取信息，从训练样本中定义最佳输入补丁大小，显著提高了像素分类精度。

Apr, 2018

本文提出了一种基于卷积神经网络的遥感图像像素级标注方法，该方法使用大输入图像在标注时通过增大CNN模型尺寸以实现标注时间的有效减少及整体标注精度的提高。

May, 2018

本文提出了一个使用广域上下文网络和上下文变换器的神经网络方法，用于通过远程传感器图像的地物分类。通过实验验证，该方法在处理高分辨率遥感图像领域中相当有效，同时介绍了一个新的高分辨率卫星数据集，可以促进该领域的未来研究。

Jun, 2021

在遥感语义分割领域中，本研究调查了PerceiverIO等普适性多模态网络在处理遥感图像中的物体尺度变化和车辆检测方面的表现，并提出一种空间和体积学习组件来解决这些问题。通过广泛的实验证明，该方法在与UNetFormer和SwinUNet等专用架构相比具有竞争力的结果，显示出最小化网络架构工程且性能不受明显影响的潜力。

Jul, 2023

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

深度学习方法在高分辨率遥感图像的语义分割中扮演重要角色，主要采用卷积神经网络（CNN）和视觉Transformer（ViT）。然而，CNN由于有限的感受野而受限，而ViT则面临二次复杂度的挑战。最近，Mamba模型因具有线性复杂性和全局感受野而引发广泛关注。此类任务需要将图像序列化为与Mamba模型兼容的序列。许多研究工作探索了能够增强Mamba模型对图像理解的扫描策略，但是这些扫描策略的有效性仍不确定。我们通过对LoveDA、ISPRS Potsdam和ISPRS Vaihingen数据集进行广泛实验，全面地探究了主流扫描方向及其组合对遥感图像的语义分割的影响。结果表明，无论复杂性或所涉及的扫描方向数量如何，没有一种单一的扫描策略优于其他策略。对于高分辨率遥感图像的语义分割，一个简单的单一扫描方向已被证明足够。同时，我们推荐了未来研究的相关方向。

May, 2024

通过将可视化基础模型Segment Anything（SAM）注入到隐式神经场模型-INF中，我们提出了一种新的多视图遥感图像分割方法，通过对测试视图和训练视图之间的SAM特征进行对比，得出每个测试视图的伪标签，从而增强整个场景的标注信息，实验证明我们的方法在有限的训练数据情况下优于主流方法，从而证实了SAM作为INF的一种补充在这一任务中的有效性。

May, 2024

本研究解决了在遥感航空图像语义分割中，使用视觉变换器（ViT）与传统卷积神经网络（CNN）之间的比较问题。通过对相关损失函数进行加权融合，并与最新的分割模型进行对比，研究表明使用加权损失函数可以显著提升CNN模型的性能。该工作为遥感图像处理提供了新的视角和方法。

Nov, 2024