使用集合转换器在分层框架中对点云进行形状分类和分割，实现了状态 - of-the-art 的性能，并可用于处理大规模稀疏数据。

Jul, 2022

通过引入新的自相关自注意力（CSA）机制，增强了 CLIP 在语义分割方面的潜力，并且在零样本 mIoU 方面明显优于现有的 SoTA 结果和原始的 CLIP。

Dec, 2023

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

本文研究了 transformers 在图像识别中的应用，提出了一种基于聚类的 k-means Mask Xformer (kMaX-DeepLab) 模型，在多项数据集上均取得了新的最佳表现，为以后的视觉任务中 transformers 的设计提供了参考。

Jul, 2022

该研究探讨了预训练的 CLIP 视觉 - 语言模型在识别受云影响的卫星图像方面的能力。提出并评估了几种使用该模型进行云存在性检测的方法，包括纯零样本操作和几种微调方法。此外，测试了这些方法在不同数据集和传感器类型（Sentinel-2 和 Landsat-8）之间的可迁移性。结果表明，CLIP 在云存在性检测任务上可以实现非平凡的性能，并且具有跨感知模式和感知频带泛化的明显能力。研究还发现，低成本的微调阶段可以显著提高真阴性率。结果表明，CLIP 模型学习的表示对涉及云的卫星图像处理任务具有用途。

Aug, 2023

ACLNet 是一种有效的云分割模型，利用深度神经网络和机器学习算法提取互补特征，使用 EfficientNet-B0 作为骨干网络，ASPP 学习多个感受野，GAM 提取图像中的细节，并使用 k-means 聚类更精确地提取云边界。其错误率更低，召回率和 F1 - 分数更高，适用于白天和黑夜图像。

Jul, 2022

本文提出基于聚类的分割框架 Clustering Mask Transformer (CMT-DeepLab)，该框架重构了现有的用于分割和检测的 Transformer 架构；CMT-DeepLab 将对象查询视为聚类中心，这些聚类中心可用于分割中像素的分组，并通过更密集、更一致的交叉注意力实现更好的分割结果。实验结果表明，CMT-DeepLab 在 COCO 测试集上达到了 55.7% 的 PQ，并较先前方法提高了 4.4% 的 PQ。

Jun, 2022

本研究探讨了利用卷积长短时记忆网络进行植被分类的云覆盖鲁棒性，包括可视化内部细胞激活和对不同云覆盖数据集进行消融实验，结果表明网络内部已经自动学习了云过滤机制，进一步证明了多时间深度学习方法的预处理流程的必要性存在疑问。

Oct, 2018

准确的云识别和警报对于各种应用非常重要，本文设计了一种分布感知的互动注意网络（DIAnet），该网络通过高分辨率分支和并行的多分辨率交叉分支来保留像素级细节，并通过分布感知损失（DAL）来减轻云类别之间的不平衡，在 FY-4A-Himawari-8（FYH）数据集上的实证评估表明，该方法在云识别网络中表现优异，达到了更好的 mIoU 性能。

Jan, 2024

对云的分割从遥感图像进行了七种切割和检测算法的基准分析，评估了其架构方法，并确定了最佳性能。评估了模型在使用少量光谱波段进行云图分割时的灵活性。使用 Sentinel-2 和 Landsat-8 作为数据集进行了实验验证。

Feb, 2024