关键词remote sensing image analysis
搜索结果 - 5
- ALPS:遥感分割的自动标注和预训练方案
我们提出了一种名为 ALPS 的创新自动标注框架,利用 Segment Anything Model (SAM) 预测遥感图像的准确伪标签,从而填补了遥感图像分析领域中海量未标注数据集和充分利用这些数据集进行高级 RS 分析之间的鸿沟。
- 遥感图像场景分类的非监督少样本持续学习
提出基于原型散射和正样本采样的无监督小样本远程感知图像场景分类的 Unisa 方法,该方法通过扁平广泛学习方法和球发生器解决了遗忘问题和数据稀缺问题,并在远程感知图像场景数据集和高光谱数据集上进行了数值实验,证实了我们方法的优势。
- RFL-CDNet:基于更丰富特征学习的准确变化检测
利用更丰富的特征学习来提高变化检测性能,我们提出了一种名为 RFL-CDNet 的新型框架,该框架采用深度多重监督来增强中间表示,并设计了 C2FG 模块和 LF 模块来进一步改进特征学习和获得更具有区分性的特征表示。
- 基于引导增强的自我监督表示学习的遥感图像理解
利用自我监督学习从大规模、无标签数据集中学习表示已被证明对于理解各种远程感知图像非常有效。本研究提出了一种增强型自我监督表示学习方法,通过简单而高效的预训练流程,解决了对比学习中的假阳性匹配问题以及重构学习中缺失上下文信息的问题,并通过语义 - 航空影像中的交互式分割:一个新的基准和一个开放的网络工具
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