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

提出了一种新的轻量级模型——GeoMultiTaskNet，使用地理坐标对源领域和目标领域进行信息对齐，采用动态类别抽样（Dynamic Class Sampling）策略来适应语义分割的损失函数，将其用于自然资源遥感图像分割，并取得了最先进的性能。

Apr, 2023

本文提出一种基于 RGB-Height 数据的遥感多模态语义分割新基准数据集，包含大规模数据集，认真评测已有的方法并提出一种新的 Transformer-based 中间多模态融合 (TIMF) 模块来适应令人满意的语义分割性能。

May, 2023

在遥感图像分析中，针对通过滑动窗口局限性的问题，提出了一种动态尺度感知框架GeoAgent，根据不同的地理对象自适应地捕捉图像块外的合适尺度上下文信息，通过全局缩略图和位置蒙版表示每个图像块的状态，利用尺度控制代理进行尺度选择动作来切换分割网络的尺度和上下文分支，实现了多尺度图像块特征的提取和融合，通过调整网络参数来执行合适的尺度选择动作，实验证明GeoAgent在大规模制图应用中优于传统分割方法。

Sep, 2023

提取历史地图的信息是一项具有挑战性的任务，尤其是在考虑到数据依赖性不确定性的情况下，我们提出了一种融合时空特征和交叉注意力变换器的U-Net网络（U-SpaTem），该模型在分割任务上表现出比其他方法更好的性能。

Oct, 2023

我们在地球观测任务中研究使用生成图像扩散来解决标注数据稀缺的问题，并发现生成的样本在提高卫星语义分割的定量性能方面取得了显著的改进。

Mar, 2024

卫星影像重要用于环境监测和城市规划，本研究探索了一个适用于语义分割的剪切粘贴增强技术，通过利用语义分割标签中的联通组件，从而在训练过程中随机粘贴提取的实例，实验结果表明，这种增强技术显著提升了语义分割模型的平均交并比得分，从37.9提升至44.1，彰显了其在卫星影像中提高模型泛化能力的潜力。

Apr, 2024

我们提出了一种新的平铺策略，Flip-n-Slide，该策略在处理大型地球观测卫星图像时，当感兴趣对象（OoI）的位置未知且空间上下文对于类别消歧有必要时，提供了一种简洁而简化的方法，允许OoI在多个平铺位置和方向上表示。通过为每个平铺重叠保留不同的转换排列，我们增强了训练集的泛化能力，而不会误代表真实数据分布。我们的实验证实了Flip-n-Slide在地球物理研究中语义分割任务中的有效性，并且在所有评估指标上都优于以往状态的最新增强方法。对于低频类别，Flip-n-Slide的精确度提高了多达15.8%。

Apr, 2024

本研究针对开放词汇图像语义分割（OVS）在遥感图像中的应用，解决了现有方法在处理遥感图像特有特征时的不足。我们提出了首个专为遥感图像设计的OVS框架，引入了旋转聚合相似度计算模块和多尺度图像特征整合，显著提升了语义分割的准确性，并建立了首个开放的遥感图像OVS基准，为研究提供了重要工具和数据支持。

Sep, 2024