May, 2023

Hi-ResNet：高分辨率遥感图像语义分割网络

PDF
TL;DR本研究提出了一个高分辨率遥感图像网络模型，可解决同类别地物在不同地理环境下形态和比例显著不同，以及复杂背景噪声干扰下影响现有学习算法效果的问题。该模型包含漏斗模型、信息聚合模块、特征精炼模块和 CEA Loss 损失函数，并通过有效的预处理策略，在三个高分辨率遥感图像分割基准数据集上取得了优异表现。
high-resolution remote sensingsemantic segmentationnetwork structureinformation aggregationcea loss
发现论文，激发创造
  • 语义分割的特征早期融合

    通过将分类器网络与逆向 HRNet 架构集成，本文介绍了一种新颖的分割框架，用于高效的图像分割。我们的方法利用半监督预训练的 ResNet-50 骨干网络，在不同尺度上生成特征图，然后通过适应具有不同通道维度的逆向 HRNet 进行处理，产生最终的分割结果。在多个基准数据集上进行了严格测试，包括 Mapillary Vistas、Cityscapes、CamVid、COCO 和 PASCAL-VOC2012，使用像素精度和平均交并比（mIoU）等指标评估了分割性能。结果表明，我们提出的模型在实现高分割精度方面具有较高的效果，表明其在图像分析等各种应用中具有潜力。通过整合 ResNet-50 和逆向 HRNet 的优势，我们提出了对图像分割挑战的强大解决方案。

    Feb, 2024

  • 深度高分辨率表示学习用于视觉识别

    High-Resolution Network (HRNet) is a new computer vision framework that maintains high-resolution representations through the whole process, resulting in semantically richer and spatially more precise representations, which outperforms existing state-of-the-art frameworks in human pose estimation, semantic segmentation, and object detection.

    Aug, 2019

  • SepHRNet: 使用可分离卷积的 HRNet 从遥感图像生成高分辨率农作物地图

    本文提出了一种新型深度学习方法，将 HRNet 与可分离卷积层集成以捕获空间模式和自注意力以捕获数据的时间模式，并利用 CNN 解码器从聚合表示生成作物地图。该算法在生成作物地图方面达到了 97.5％的高分类精度和 55.2％的 IoU，并表现出深度学习在地球观测系统中的巨大潜力。

    Jul, 2023

  • 用完全卷积网络对高分辨率航空影像进行密集语义标注

    本文介绍了一种应用深度卷积神经网络用于语义标签高分辨率遥感数据的方法，采用了全卷积网络和预训练卷积神经网络在卫星图像识别中得到了较好的应用效果。

    Jun, 2016

  • 使用可转移深度模型进行高分辨率遥感影像土地覆盖分类

    本文提出了一种利用深度神经网络对高分辨率遥感图像进行无监督地物分类的方案，通过未标记遥感图像进行伪标注和样本选择来提高模型的转移性，并通过细化预先训练好的模型，组合分块分类和分层分割实现像素级地物分类。

    Jul, 2018

  • 遥感图像超分辨率的高级特征提取模块

    提出了一种名为 Channel and Spatial Attention Feature Extraction (CSA-FE) 的高级特征提取模块，通过使用通道和空间注意力结合标准视觉变换器 (ViT)，有效提取特征；在 UCMerced 数据集上进行了训练，实验证明我们的方法可以使模型专注于包含高频信息的特定通道和空间位置，从而提高超分辨率图像的质量，并且相较于现有模型，我们的模型表现出更优秀的性能。

    May, 2024

  • ResUNet-a：用于遥感数据语义分割的深度学习框架

    本文提出了一种基于 ResUNet-a 深度学习架构和 Dice 损失函数的可靠框架，用于进行单时相高分辨率航空图像的语义分割，并对多种广义 Dice 损失函数进行了性能分析和介绍了一种新的变异损失函数，该模型在 ISPRS 2D Potsdam 数据集上的平均 F1 分数为 92.9％，在所有类别方面均达到了最新性能。

    Apr, 2019

  • 增强的多级特征用于非常高分辨率遥感场景分类

    本文介绍了一种利用增强型 VHR 注意力模块、压缩空间金字塔和全局平均池化等技术的深度学习方法，对于经常出现的类别干扰问题，本文方法能够提供更加稳健的分类性能，可以用于非常高分辨率遥感场景分类任务。实验证明，该方法在两个常用的 VHR 遥感数据集上能够达到很好的分类效果。

    May, 2023

  • 一种新的多尺度注意力特征提取块用于航空遥感影像分类

    该研究论文通过多尺度注意力特征提取块（MSAFEB）基于多尺度卷积和跳跃连接，实现了对复杂和小目标的高分辨率航空遥感图像的稳定分类性能。在两个基准数据集上的实验研究表明，该方法达到了稳定的性能（最小标准差为 0.002）和良好的整体分类性能（AID：95.85％和 NWPU：94.09％）。

    Aug, 2023

  • 用于像素和区域标注的高分辨率表示

    本论文对高分辨率表示学习进行进一步的研究，并通过在各种视觉任务中应用简单而有效的修改来增强高分辨率表示，实验表明，这种方法优于现有的方法，并在 Cityscapes、LIP 和 PASCAL Context 等数据集上取得了最佳结果。此外，本论文构建了一个多层表示，并将其应用于 Faster R-CNN 目标检测框架以及拓展框架，并在 COCO 目标检测上实现了超越现有单模型网络的卓越表现。

    Apr, 2019