Sep, 2023

DeepTriNet：基於三層注意機制的 DeepLabv3 + 架構用於衛星影像的語義分割

PDF
TL;DR该研究提出了一种用于卫星图像的语义分割的三级注意力型 DeepLabv3 + 架构（DeepTriNet），通过结合压缩 - 激发网络（SENets）和三级注意力单元（TAUs）与原始 DeepLabv3 + 架构，使用 TAUs 来弥合编码器输出之间的语义特征差距，并使用 SENets 对相关特征进行加权。结果显示，DeepTriNet 在 4 类 Land-Cover.ai 数据集和 15 类 GID-2 数据集上的准确率分别为 98% 和 77%，IoU 分别为 80% 和 58%，精度分别为 88% 和 68%，召回率分别为 79% 和 55%。该方法将为自然资源管理和乡村以及城市地区的变化检测提供高效而语义的卫星图像分割。
发现论文，激发创造
  • 三重监督解码器网络用于联合检测和分割

    本文引入了 TripleNet 架构来优化联合目标检测和语义分割任务，通过采用三种不同的监督学习模块，在不增加额外计算开销的情况下提高了模型的精度。实验结果表明，TripleNet 可以有效提升联合目标检测和语义分割的准确性。

    Sep, 2018

  • 基于深度神经网络的建筑轮廓分割多任务学习

    本文研究了高分辨率遥感卫星图像中像素级预测方法的挑战，提出了一种新的级联多任务损失来保留语义分割边界。结果表明，不需要额外的后处理步骤，我们的方法在 Inria 航空图像标注数据集上优于现有技术 8.3％。

    Sep, 2017

  • 用于语义分割的融合注意力网络，在极高分辨率遥感图像中的应用

    本文提出了一种多路径编码器结构来提取多路径输入的特征，多路径注意力融合块模块来融合多路径特征，以及细化注意力融合块模块来融合高层抽象特征和低层空间特征。同时，提出了一种新的卷积神经网络架构，名为注意力融合网络 (AFNet)。基于该 AFNet，在 ISPRS Vaihingen 2D 数据集上达到了 91.7% 的整体精度和 90.96% 的平均 F1 分数，在 ISPRS Potsdam 2D 数据集上达到了 92.1% 的整体精度和 93.44% 的平均 F1 分数，取得了最先进的性能。

    May, 2021

  • TriTransNet: 基于三元组变换器嵌入网络的 RGB-D 显著目标检测

    本文介绍了利用 TriTransNet 实现 RGB-D 显著物体检测的方法，采用了 U-Net 框架、连续的卷积和池化操作生成多级特征， 并引入了三个 Transformer 编码器来增强特征的贡献，通过所设计的多种特征处理模块和方法进行实验，可以取得领先水平和竞争力的结果。

    Aug, 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

  • 深度关注 Unet：具有全局特征感知能力的网络模型

    本文提出了一种基于通道自注意机制和残差连接的新型 UNet 图像分割算法，通过改进图像中不同项目之间的内部连接，显著提高了遮挡遥感图像分割的结果。在 FoodNet 数据集上，与传统 UNet 相比，新的网络模型将平均交并比提高了 2.48%。

    Apr, 2023

  • T-UNet：用于高分辨率遥感影像变化检测的三元 UNet

    远程感知图像变化检测中存在虚警和缺失检测的问题。本论文提出了一种新型网络 Triplet UNet (T-UNet)，通过三支编码器同时提取目标特征和前后时间相位图像之间的变化特征。为了有效地交互和融合三支编码器提取的特征，我们提出了一个多支空间 - 光谱交叉注意力模块 (MBSSCA)。在解码器阶段，引入了通道注意力机制 (CAM) 和空间注意力机制 (SAM)，以充分挖掘浅层的细节纹理信息和深层的语义定位信息。

    Aug, 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

  • (AF) 2-S3Net: 基于自适应特征选择的注意力特征融合稀疏语义分割网络

    本文介绍了一种基于 AF2-S3Net 的端到端编解码 CNN 网络，用于 3D LiDAR 语义分割，并在大规模 SemanticKITTI 基准测试上展示了其优越性能。

    Feb, 2021

  • 混合多头关注式三维 Unet 用于脑肿瘤分割

    提出了一种新颖的混合多头注意力 U-Net 架构，用于准确的脑肿瘤分割，并捕捉复杂的空间关系和微妙的肿瘤边界。与 SegNet、FCN-8s 和 Dense121 U-Net 架构相比，该模型在评估性能指标方面表现出色。

    May, 2024