小样本旋转不变航空影像语义分割
本文研究了使用卫星图像语义分割实现自动生成地图的问题。通过使用不同的训练数据集进行对比分析,文章指出采用大规模公开标注来取代部分手动标注可以显著降低成本且不影响语义分割效果
Jul, 2017
本研究介绍一种旨在解决空中图像中物体分割问题的算法,并提出一种新的数据集iSAID,包含2,806幅高分辨率图像和655,451个物体实例。在该数据集上的实验结果表明,现有的自然场景中的实例分割算法在直接应用于空中图像时表现欠佳,需要研究社区提出专门的解决方案。
May, 2019
本研究提出了一种基于度量学习的原型对齐网络(PANet)来解决仅使用少量样本进行图像分割的问题,它通过学习每个语义类别的原型表示,并通过匹配每个像素到所学习的原型来执行查询图像的分割,最终在PASCAL-5i上超越了现有技术达到了48.1%和55.7%的mIoU得分(1-shot和5-shot设置),是一种有效的few-shot segmentation方法。
Aug, 2019
本研究致力于解决遥感图像 open-set 场景下的语义分割技术的问题,开发出一种新的方法,并对其进行了评估,得出了与封闭集方法相同数据集相比具有竞争力的结果
Jan, 2020
该论文提出了一种基于语义分析的方法,通过比较地面图像与卫星图像的特征,结合语义分割掩模,实现无GPS数据的查询地理定位,并在不同视场上通过对CVUSA数据集进行测试表明该方法提升了性能。
Apr, 2024
提出了基于边缘指导的标注单元作为新单元以及对类别不平衡的综合性处理,改进的方法在三个基准数据集上相比最先进方法获得了超过11.2%的性能提升,并相比基准模型提高了超过18.6%的性能表现,为未来关于航空图像语义分割的主动学习研究建立了公平而强大的基准。
May, 2024
本研究针对遥感领域在有限标注数据情况下的学习难题,提出了一个广义少样本语义分割基准。通过引入新的数据集和挑战,研究不仅促进了模型对新类的适应能力,还强调在训练基础类上的表现。研究结果表明,该广义设置更具挑战性,对遥感任务具有重要影响。
Sep, 2024