本文研究使用深度完全卷积网络来处理多模态多尺度遥感数据的语义标注，并采用有效的多尺度方法来提高语义标注的精度和深入研究数据的早期和后期融合方法，并在两个公共数据集上验证了我们的方法，表现出令人满意的结果。

Nov, 2017

本研究提出一种基于树形结构和边界分类器的图像分割的有监督分层方法，实验结果表明该方法在六个公共数据集上实现了最先进的区域分割精度，在没有语义先验的图像分割中具有很强的竞争力。

May, 2015

本文介绍了一种利用机器学习技术，结合公开遥感数据，使用卷积神经网络模型实现不同类植被的分离的方法，旨在解决处理遥感数据的效率问题。

Sep, 2022

本文研究了高分辨率遥感卫星图像中像素级预测方法的挑战，提出了一种新的级联多任务损失来保留语义分割边界。结果表明，不需要额外的后处理步骤，我们的方法在 Inria 航空图像标注数据集上优于现有技术 8.3％。

Sep, 2017

我们提出了一种基于视觉 - 语言表示学习的元数据协作多模态分割网络（MetaSegNet），该网络用于遥感图像的语义分割，并展示了卓越的泛化性能和与现有方法相竞争的准确性。

Dec, 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

通过同时提高训练过程中的精确度和多样性，我们提出的 DiverseNet 架构可以使用多头和多模型的半监督学习算法，实现与半监督学习方法相比更高的语义分割性能，并且相对于最先进的方法，我们提出的 DiverseHead 架构在参数空间上相对较轻，同时能够在所有测试数据集上获得高性能的结果。

Nov, 2023

通过深度学习和基于多集合的方法对图像进行分割，深度学习方法展示了其优势，并且多集合方法在要求较少计算资源的情况下也能获得令人鼓舞的精确度。

Jul, 2023

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

提出一种基于机器学习技术的主动学习方法，用于对超像素进行层次聚合分割，并在 3D 电子显微镜（EM）影像和自然影像的数据上，利用信息变异度来衡量分割精度，在比较实验中，证明了该方法在分割准确度上优于其他算法。

Mar, 2013