Sep, 2023

实时语义分割：遥感中的简要调查与比较研究

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 多模态和多尺度深度网络在地球观测数据的语义分割中的应用

    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

  • 使用深度学习进行多光谱遥感图像的语义分割算法

    本研究使用深度卷积神经网络在多光谱影像语义分割上的状态使用，通过使用生成的合成图像代替真实的图像进行数据集初始化，成功地克服了多光谱影像数据标注不足的问题，并在新的RIT-18数据集上表现出最高水平作为未来工作的基础。

    Mar, 2017

  • 利用扩张卷积有效地对遥感图像中小目标实例进行分割

    本文介绍了一种解决遥感图像中对象小而拥挤的局限性，名为LFE架构的新型结构，其核心是在扩张前端模块之上添加局部特征提取模块，通过聚合不断减小的扩张因子来聚合本地特征，实现了卫星遥感图像的语义分割，取得了显著的效果。

    Sep, 2017

  • 卷积网络基于动态多上下文遥感图像分割

    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

  • 用于陆地覆盖分类的密集扩张卷积融合网络

    本文提出了一种名为DDCM-Net的新架构，该架构通过合并密集膨胀卷积和不同膨胀率，有效地利用了丰富的膨胀卷积组合，同时获取局部和全局的信息，提高了远程遥感图像的分类准确度，并在多个数据集上得到了比其他公开模型更好的结果。

    Mar, 2020

  • 遥感影像场景分类遇上深度学习：挑战、方法、基准和机遇

    本文系统地介绍了160多篇文献中深度学习在遥感图像场景分类中的应用，包括自编码器、卷积神经网络和生成对抗网络等方面，总结了在三个常用数据集上的代表性算法的性能以及未来的研究前景。

    May, 2020

  • 使用深度学习对遥感影像植被进行语义分割

    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

  • 多光谱、高光谱和高空间分辨率航空影像的深度学习语义分割评估

    该研究使用深度学习语义分割方法，在多光谱、高光谱和高空间分辨率的航拍图像数据集上进行了土地覆盖分类，其中LinkNet模型在所有数据集中获得了高IoU准确率0.92，评估结果显示多光谱图像在IoU和F1得分上表现更佳，展示了LinkNet和多光谱图像在土地覆盖分类上的高效性和广泛适用性。

    Jun, 2024

  • 遥感中的广义少样本语义分割：挑战与基准

    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

  • 遥感地球观测数据的深度多模态融合语义分割

    本研究解决了遥感影像语义分割中多源数据的局限性问题，提出了一种晚融合深度学习模型（LF-DLM），充分利用了高分辨率航空影像和卫星图像时间序列的互补优势。研究发现，该模型在大型基准数据集FLAIR上表现出最先进的结果，突显了多模态融合在提高遥感应用语义分割准确性和鲁棒性方面的重要性。

    Oct, 2024