本文介绍了一种基于弱监督学习策略的方法，以处理远程感知特定形式的弱监督数据，并取得高分辨率大规模土地覆盖映射的进展，基于SEN12MS数据集进行了讨论和展示了一些基线结果。

Feb, 2020

本文提出了一种基于InfoMax原理和互信息的模型，通过简单的训练过程和知识蒸馏项来改善少样本分割，在PASCAL-$5^i$和COCO-$20^i$这两个流行的分割基准上，针对新类别，1-shot和5-shot的情况下，性能提升范围从7％到26％（PASCAL-$5^i$）和从3％到12％（COCO-$20^i$），此外，文中还给出了一个更具挑战性的设置。

Nov, 2022

远程感知图像的语义分割是远程感知图像解释中的重要问题。目前已经取得了显著的进展，虽然现有的深度神经网络方法在依赖大量训练数据方面存在问题。少样本远程感知语义分割旨在仅使用少量标注的目标类别支持图像从查询图像中学习分割目标对象。然而，现有的少样本学习方法主要集中在从支持图像中提取信息，未能有效解决地理对象外观和尺度的大差异。为了解决这些挑战，我们提出了一种自相关和交叉相关学习网络，用于少样本远程感知图像语义分割。我们的模型通过考虑支持图像和查询图像之间的自相关和交叉相关来增强泛化性能。为了进一步探索与查询图像的自相关性，我们提出采用经典的频谱方法，基于图像的基本视觉信息生成一个类别无关的分割掩模。在两个远程感知图像数据集上进行了大量实验，证明了我们的模型在少样本远程感知图像语义分割中的有效性和优越性。代码和模型可以在此URL中访问。

Sep, 2023

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。

Sep, 2023

提出了一种名为DMNet的双挖掘网络来解决卫星遥感场景中极端类内变化的问题，并通过Class-public Region Mining和Class-specific Region Mining模块有效地实现语义的挖掘和提取，同时引入Known-class Meta Suppressor模块来抑制已知类中的对象激活，实现了在少量样本下对未知类目标的差异化分割。

Oct, 2023

本研究介绍了一种用于自动化少样本语义分割的结构化框架，利用Segment Anything Model（SAM）模型，并借助先前引导的掩模生成粗略像素级提示，以获得更高效的语义可辨别分割结果，实验证明该方法在DLRSD数据集上优于其他可用的少样本方法。

Nov, 2023

通过使用SegGPT作为基础模型，分别为每个新类别使用可学习的提示语进行预测，并通过图像修复任务解决遥感领域中存在的对象大小不一致性和补丁边界的不连续性问题，同时利用图像嵌入的相似性搜索来选择提示语和减少误报预测，实验结果表明我们的方法将简单微调的SegGPT在Few-shot OpenEarthMap数据集验证集上的加权mIoU从15.96提升到35.08。

Apr, 2024

提出了一种名为SegLand的广义少样本分割框架，用于在高分辨率土地覆盖映射中更新新颖类别，实验表明该框架在有限标记数据下自动更新新颖土地覆盖类别方面具有优越性。

Apr, 2024

通过综合语义嵌入、稀疏支持示例和全局内容调制，我们提出了一种全新的远程感知图像少样本分割方法，该方法在标准少样本分割基准测试中显示出卓越性能，达到了最新的技术水平。

May, 2024

本研究解决了遥感图像在像素级解释中对大量人工标注的需求这一问题。通过提出一种简单通用的上采样方法SimFeatUp，来恢复深特征中的空间信息，并通过减法操作减小局部补丁标记的全球偏差，从而在四个遥感任务上超过了现有的最新方法，平均提高了5.8%到15.3%。

Oct, 2024