高分辨率遥感图像中交互建筑分割的增强自动质量评估网络
RescueNet 是一个集成模型,采用了局部相关的二进制交叉熵损失函数来同时分割建筑和评估破坏水平,该模型可以进行端到端的训练,并获得比现有方法更好的性能,它可以在各种地理区域和灾难类型下实现通用。
Apr, 2020
提出了一种基于多流空间和通道注意力的算法,通过结合来自两个不同 backbones 的混合特征,并进行空间和通道的注意力,以提供对感兴趣区域的高权重,生成更准确的预测结果。使用四个传统图像质量评估数据集验证了我们提出的方法的有效性,使用真实和合成的畸变图像数据库展示了该方法的有效性,并显示出它在感知为前景信息方面具有出色的泛化性能。
Jul, 2023
本研究旨在实现将深度学习模型直接部署在传感器上,提出了 “Q-Segment” 量化实时分割算法,并在两个低功耗边缘视觉平台上进行综合评估,该模型目标是实现基于血管的医学诊断的端到端图像分割。在 IMX500 平台上部署,Q-Segment 在传感器内仅需 1.9 毫秒的超低推理时间和仅需 5.7 毫焦耳的能耗。与现有网络相比较,该网络采用编码器 - 解码器结构与跳跃连接,性能优于给定的各平台 75 倍(相对于 ERFNet)。在 CHASE 数据集上,该网络具有 97.25% 的二进制准确率和 96.97% 的接收器操作特征曲线下的面积。此研究为边缘图像分割提供了有价值的见解,并为适用于低功耗环境的高效算法奠定了基础。
Dec, 2023
本文提出了一种基于边界感知的图像分割网络,它包含一个预测 - 优化的体系结构和一个混合损失函数,可用于高精度图像分割,并在显著对象分割和伪装对象分割等任务上展示了出色的性能。基于该网络,开发了 “AR COPY&PASTE” 和 “OBJECT CUT” 两个商业应用,可供公众使用。
Jan, 2021
引用远程感应图像分割(RRSIS)是一个将计算机视觉和自然语言处理相结合的新挑战,根据文本查询在航空图像中划定特定区域。为了解决此挑战,我们引入了旋转多尺度交互网络(RMSIN),它包含了用于处理多尺度细节的内尺度交互模块(IIM)和用于在网络中一致地整合这些细节的跨尺度交互模块(CIM),此外,RMSIN 还采用适应性旋转卷积(ARC)来考虑物体的多样方向,极大地提高了分割准确性。通过对包含 17,402 个图像 - 标题 - 掩模三元组的数据集进行实验评估,RMSIN 表现出了超出现有最先进模型很大的性能优势。
Dec, 2023
本文提出一种基于 Transformer 架构的盲图像质量评价系统,具有高效的质量感知特征表示和强大的泛化能力,并且引入注意力面板机制来改善模型性能和减少预测不确定性。
Apr, 2023
远程感知图像质量检测的新型两步智能系统结合多个模型进行图像分类,并使用最适合的方法来定位图像中各种质量问题,结果表明该方法在远程感知图像质量检测上表现出优异的性能和效率,优于一步法的性能,同时我们还初步探索了应用多模式模型进行远程感知图像质量检测的可行性和潜力。
Jul, 2023
通过提出基于密集连接的粗细特征融合解码器网络以及宽容的深度监督和蒸馏策略,提高了当前建筑物分割网络的学习效率和有效性,超越先前的工作并在各种新开发的编码器网络上展现出卓越的性能和效率。
Jul, 2023
最近几年,深度学习已成为遥感应用中强大的方法,尤其在从卫星和航空图像中提取重要地物的分割和分类技术中起到关键作用。然而,只有少数论文讨论了深度学习在地物覆盖分类任务中交互式分割的应用。本研究旨在通过对各种基于深度学习的交互式分割模型进行基准研究,弥合交互式分割和遥感图像分析之间的差距。我们在两个高分辨率航空影像数据集上评估了五种最先进的交互式分割方法(SimpleClick、FocalClick、Iterative Click Loss (ICL)、Reviving Iterative Training with Mask Guidance for Interactive Segmentation (RITM) 和 Segment Anything (SAM))的性能。为了在不需要多个模型的情况下提高分割结果,我们引入了一种创新的推理策略 —— 级联前向细化(CFR)方法,用于交互式分割。我们在遥感中评估了这些交互式分割方法在不同的地物覆盖类型、目标尺寸和波段组合上的表现。令人惊讶的是,广为讨论的方法 SAM 在遥感图像中表现不佳。相反,SimpleClick 模型中使用的基于点的方法在所有实验中始终优于其他方法。基于这些发现,我们开发了一个名为 RSISeg 的专用在线工具,用于遥感数据的交互式分割。RSISeg 采用了一个性能良好的交互式模型,并通过遥感数据进行了微调。此外,我们把 SAM 模型集成到这个工具中。与现有的交互式分割工具相比,RSISeg 具有较强的交互性、可修改性和适应性。
Aug, 2023
该研究提出了一种名为 Bilateral Segmentation Network (BiSeNet V2) 的神经网络架构,通过将空间细节和分类语义分别处理来实现高效准确的实时语义分割,并使用 Detailed Branch 和 Semantic Branch 来分别处理低级和高级特征。
Apr, 2020