Selbstüberwachte Erlernung von Sensor-agnostischen Bilddarstellungen für den Abruf von Fernerkundungsbildern
Durch die Anpassung von Maskierten Autoencodern (MAEs) können Bilddarstellungen erlernt werden, die sowohl intra-modale als auch inter-modale Ähnlichkeiten von Fernerkundungsbildern erfassen, um einen sensor-agnostischen Bildabruf zu ermöglichen.
Adaptive und nicht-lokale Konvolution zur Verbesserung der Auflösung von Fernerkundungsbildern
Eine neuartige Methode zur Fusion von hochauflösenden panchromatischen und niedrigauflösenden multispektralen Fernerkundungsbildern, die sowohl räumliche Adaptivität als auch nicht-lokale Ähnlichkeitsbeziehungen nutzt, um die Leistung des Pansharpening-Prozesses zu verbessern.
Gemeinsame Extraktion von Gebäuden und Straßen aus Fernerkundungsbildern durch Kreuzinteraktion
Die Genauigkeit sowohl der Gebäude- als auch der Straßenextraktion kann durch die vorgeschlagene Multitask-Featureinteraktion und die Kreuzskala-Featureinteraktion verbessert werden.
Effiziente Extraktion von Gebäudefußabdrücken aus hochauflösenden Fernerkundungsbildern durch progressive nachsichtige Überwachung
Ein effizientes und effektives Framework zur Extraktion von Gebäudefußabdrücken aus Fernerkundungsbildern, das eine leichte und schnelle Übertragung von neu entwickelten Backbone-Netzwerken auf Fernerkundungsaufgaben ermöglicht.
Visuelle Zustandsraummodelle für die semantische Segmentierung von Fernerkundungsbildern
Das vorgeschlagene RS3Mamba-Modell nutzt einen innovativen visuellen Zustandsraum (VSS), um zusätzliche globale Informationen bereitzustellen und die Leistung der konventionellen CNN-basierten Methoden bei der semantischen Segmentierung von Fernerkundungsbildern zu verbessern.
Samba: Effiziente semantische Segmentierung von Fernerkundungsbildern mit Zustandsraummodell
Samba, ein neuartiges semantisches Segmentierungsframework, das auf Mamba basiert, ist speziell für die Segmentierung hochauflösender Fernerkundungsbilder ausgelegt und setzt damit einen neuen Benchmark in der Leistung.
Effiziente semi-überwachte semantische Segmentierung von Fernerkundungsbildern durch entscheidungsvielfältige Netzwerke
Das Ziel des Artikels ist es, effiziente semi-überwachte Lernmethoden für die semantische Segmentierung von Fernerkundungsbildern zu entwickeln, indem die Präzision und Vielfalt der Pseudoetiketten während des Trainings erhöht werden.
© 2024 by Linnk AI