具有超丰富背景的超高分辨率分割:一项新的基准测试
本文介绍了一种新的局部感知上下文融合图像分割模型,旨在处理具有大变化语义区域的超高分辨率图像,并通过交替本地增强模块限制冗余信息的负面影响以产生精细结果,实验结果表明其优于其他最先进的方法。
Sep, 2021
本文针对超高清(UHD)图像降雨的问题,提出了一个大规模的 UHD 图像降雨数据集 4K-Rain13k,包含 13,000 个 4K 分辨率的图像对。在此基础上,我们对处理 UHD 图像的现有方法进行了基准研究。此外,我们开发了一种有效且高效的视觉 MLP 架构(UDR-Mixer)来更好地解决这个问题。通过广泛的实验结果表明,我们的方法在性能上优于最先进的方法,同时保持较低的模型复杂性。
May, 2024
本文提出一种高层、高密度城市点云基准数据集 (HRHD-HK),同时对现有的 8 种语义分割算法在此数据集上进行了全面评估,实验结果表明目前的点云 3D 语义分割仍有很大提升空间,特别是对于小体积的城市对象来说。
Jul, 2023
该论文阐述了在 GPU 内存限制的情况下,实现高效而有效的超高分辨率无人机图像分割的复杂问题,提出了一种新颖的空间引导式高分辨率查询模块和高效的基于内存的交互方案来改进现有方法中较小、较细和曲线区域的分割效果。
Oct, 2023
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
在本文中,我们通过合成两个大规模的 UHD 数据集(UHDRR4K 和 UHDRR8K),对六种最新的 SIRR 方法在 UHD 图像上的效果进行了综合评估,讨论了这些方法在 UHD 图像上的优缺点,并提出了一种基于 Transformer 架构的 RRFormer 来进行反射去除。实验证明,RRFormer 在非 UHD 数据集和我们提出的 UHDRR 数据集上均取得了最先进的性能。
Aug, 2023
本研究创建了一份包含超过 1700 个成对高分辨率遥感卫星图像的 WHU-Stereo 数据集,以促进深度学习网络的立体匹配训练和测试,并探究其在遥感应用中的潜力。实验证明,该数据集的性能可与现有的立体匹配数据集可比,并且深度学习模型的性能要比手工设计的 SGM 算法更高。
Jun, 2022
本文提出了一种基于 Guided Patch-Grouping Wavelet Transformer 的 Transformer-CNN 相互学习框架,其中通过将原始 UHR 图像划分为补丁并在动态分组中对其进行轻量级多头小波变换器(WFormer)网络的学习来学习低级别本地细节,同时也可以捕获这个过程中的细粒度长距离上下文依赖,并利用 CNN 生成的掩码来指导贴图分组过程,提供一种启发式决策;同时利用两个分支之间的一致性约束来维护图像块之间的空间一致性,实验结果表明该方法在五个基准数据集上展现出较好的性能。
Jul, 2023
为了解决跨城市遥感影像的研究难题,本研究构建了一个新的多模态遥感基准数据集并提出了一种高分辨率领域自适应网络,通过对比其他方法在语义分割任务上的表现,证明了这种方法在分割性能和泛化能力上的优越性。
Sep, 2023
本文提出了一种多分辨率训练方法 HRDA,结合小的高分辨率裁剪和大的低分辨率裁剪,以及学习到的比例关注,以保留精细的分割细节和捕获远程、域鲁棒性的上下文信息,从而显著提高了语义分割的 UDA 性能,并使其在 GTA 到 Cityscapes 和 Synthia 到 Cityscapes 的 mIoU 上分别达到了 73.8 和 65.8。
Apr, 2022