本文提出了一种迭代分类和语义分割网络 (ICSSN) 方法，通过迭代升级两个网络共享的特征提取器，大大增强了对象级和像素级分类性能，并在对象分类子网络中采用物体级对比学习 (OCL) 策略和在语义分割子网络中设计子目标级对比学习 (SOCL) 范例来提取边界的显著特征。在实验数据集上测试表明，该网络可大幅提高老滑坡检测的分类和分割准确性。

Feb, 2023

基于多源遥感图像输入的深度神经网络系统用于滑坡检测和分割，通过特征工程、网络架构和结合损失函数等方法提高了性能。

Dec, 2023

本文提出了一种基于异质网络对比学习方法 (HCLNet)，通过多特征和超像素对未标记的 PolSAR 数据进行高层表示学习，以实现少样本分类。实验表明，与现有方法相比，HCLNet 在三个广泛使用的 PolSAR 基准数据集上具有优势，并通过消融研究验证了每个组件的重要性。此外，该工作对于如何高效利用 PolSAR 数据的多特征学习更好的高层表示以及如何构建更适合 PolSAR 数据的网络具有重要意义。

Mar, 2024

介绍了用于遥感图像中滑坡检测的 Landslide4Sense 基准数据集，用于支持深度学习的研究和方法开发，评估了 11 个最先进的分割模型的表现，证明 ResU-Net 在滑坡检测任务中表现最佳。

Jun, 2022

使用多个分割模型和不同的数据集，构建一个集成模型来提高山体滑坡地貌图的制作精度。集成模型使用 Sentinel-1 和 Sentinel-2 波段结合，以及通过植被指数 dNDVI 的变化来构建一个健全可靠的监测系统。

Sep, 2023

本文探讨利用卷积神经网络，并提出了局部对齐卷积神经网络模型，针对地表土石滑坡进行预测，该模型在准确度和对数似然方面相对于其他模型均有所提升，通过对各种异质特征进行输入，对滑坡进行预测。

Nov, 2019

通过对多种方法评估分割的像素级别的不确定性，本研究发现在数据集中 Test-Time Augmentation 方法的质量始终优于其他方法，从而可以为解决错误、识别困难样本和增加标记训练数据提供低成本的监督。

Nov, 2023

提出了一种像素和超像素对比学习与伪标签校正方法（PSCPC），用于高光谱图像聚类，通过超像素和少量像素的类比学习，合理地捕捉区域特定和细粒度特征，提出了伪标签校正模块来对齐像素和超像素的聚类伪标签，利用像素级聚类结果监督超像素级聚类，提高模型的泛化能力。广泛的实验证明了 PSCPC 的有效性和效率。

Dec, 2023

我们提出了一种高效的弱监督框架 Paraformer（即 L2HNet V2），用于通过低分辨率的历史地表覆盖数据指导大规模高分辨率土地覆盖图绘制。Paraformer 采用平行的 CNN-Transformer 特征提取器，同时捕捉局部和全局上下文信息，并采用伪标签辅助训练模块对弱监督情景下的高分辨率图像进行语义分割。实验证明 Paraformer 在 LR 历史标签的自动更新高分辨率土地覆盖图方面优于其他最先进的方法。

Mar, 2024

卫星通过边缘推理越来越多地采用机载人工智能技术来提高平台的自主性。本研究通过训练 16 种不同模型来实现高分辨率卫星图像的多类别分割，该研究提供了这些模型的代码并对其进行了综合评估，同时介绍了基于海洋、陆地和云覆盖分类的海洋 - 陆地 - 云覆盖分割应用场景。我们得出的结论是我们轻量级的深度学习模型（称为 1D-Justo-LiuNet）在海洋 - 陆地 - 云碧书分割方面的性能（0.93 准确率）和参数数量（4,563 个）方面始终优于现有的 U-Net 及其变体，然而 1D 模型在测试处理架构中表现出的推理时间较长（15 秒），这是明显不太理想的。此外，我们还证明了轨道内图像分割应该在 L1b 辐射计校准之后进行，而不是在原始数据上进行，并额外显示将光谱通道减少到 3 会降低模型的参数数量和推理时间，但牺牲了分割性能。

Oct, 2023