Sep, 2023

跨城市事务：使用高分辨率领域自适应网络进行跨城市语义分割的多模式遥感基准数据集

PDF
TL;DR为了解决跨城市遥感影像的研究难题，本研究构建了一个新的多模态遥感基准数据集并提出了一种高分辨率领域自适应网络，通过对比其他方法在语义分割任务上的表现，证明了这种方法在分割性能和泛化能力上的优越性。
artificial intelligenceremote sensingmultimodaldomain adaptationsemantic segmentation
发现论文，激发创造
  • HRHD-HK：高层和高密度城市场景的基准数据集，用于摄影测量点云的 3D 语义分割

    本文提出一种高层、高密度城市点云基准数据集 (HRHD-HK)，同时对现有的 8 种语义分割算法在此数据集上进行了全面评估，实验结果表明目前的点云 3D 语义分割仍有很大提升空间，特别是对于小体积的城市对象来说。

    Jul, 2023

  • GAMUS：一种适用于遥感数据的几何感知多模态语义分割基准测试

    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

  • 无歧视：道路场景分割器的跨城市适应性

    该论文提出了一种无监督学习方法来通过 Google Street View 数据库和时光机功能自动适应不同城市的道路场景分割器，实现跨城市语义分割。

    Apr, 2017

  • Beyond RGB: 基于多模态深度网络的高分辨率城市遥感技术

    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

  • WildScenes：大规模自然环境下的二维和三维语义分割基准

    近期在语义场景理解方面的进展主要得益于城市环境中具有语义注释的双模态（相机和激光雷达）数据集的可用性。然而，为了实现自然、非结构化环境下的语义感知应用，包括自然保护、搜救、环境监测和农业自动化，我们也需要具有语义注释的数据集。因此，我们介绍了 WildScenes，一个双模态基准数据集，其中包括自然环境下多个大规模遍历，包括高分辨率 2D 图像和密集 3D 激光雷达点云的语义注释，以及准确的 6 自由度姿态信息。我们的 3D 语义标签通过一种高效的自动化过程得到，该过程将多视角中的人工标注 2D 标签转移到 3D 点云中，从而避免了在 3D 中进行昂贵和耗时的人工注释。我们引入了关于 2D 和 3D 语义分割的基准，并评估了各种最新的深度学习技术，以展示在自然环境中语义分割中的挑战。我们提出了供标准基准和域自适应基准使用的训练 - 验证 - 测试划分，并利用一种自动划分生成技术来确保类别标签分布的平衡。该数据集、评估脚本和预训练模型将在接受之后发布于该 URL。

    Dec, 2023

  • StandardGAN: 多源域自适应用于对非常高分辨率卫星影像的语义分割，采用数据标准化

    本文介绍了一种处理多源数据对抗问题的方法：StandardGAN，该方法在单一目标域的基础上，标准化每个源和目标域数据的分布，实验表明，StandardGAN 生成的标准化数据使分类器生成更好的语义分割。

    Apr, 2020

  • GeoMultiTaskNet: 利用地理坐标进行遥感非监督域自适应

    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

  • LoveDA: 远程感知土地覆盖数据集，用于领域自适应语义分割

    本文介绍了 LoveDA 数据集，旨在推进意义深刻和可转移学习。LoveDA 数据集适用于地表覆盖语义分割和无监督域自适应（UDA）任务，并在 11 种语义分割方法和 8 种 UDA 方法上进行了基准测试。

    Oct, 2021

  • MetaSegNet: 基于元数据协同的视觉语言表示学习用于遥感图像语义分割

    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

  • 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