Robust semantic segmentation by dense fusion network on blurred vhr remote sensing images
Robust semantic segmentation by dense fusion network on blurred vhr remote sensing images
说明se的设计还是很有用的
Abstract: By proposing a cascaded dense encoder-decoder network and the selayer based fusion and assembling techniques.
1. Introduction
Modified hourglasses network
Deeplab v2 and v3
实际上,遥感影像很容易被camera shakes or nosie pollution污染。
最近,一些研究人员[6]报道了使用高度信息(DSM)可以显着改善分类结果。然而,在缺陷图像的鲁棒性方面,在语义分割的背景下尚未充分研究多种模态和光谱的融合。
Lveraging dense block and designing a new hourglass convolutional network to obtain pixel-acuurate segmentation of defective images.
Contributions:
1.它设计了一种新的神经网络,用于鲁棒语义分割,利用级联密集块聚合多模态信道中的上下文信息,并使用新颖的Up块消除上采样过程中的噪声。
2.它开发了SEMix模型,以更好地融合DSM和光谱图像。
3. 引入了一系列SConv块来学习每个类别的动态权重,从而提高不平衡类别的性能。
2. Methodology
RobustDensenet :
UP block
2.1 SEMix
2.2 Sconv
Sconv与类别数目保持一致。
We use cross entropy as loss function for robustdensenet
3. Experiments and analysis
Potsdam dataset
实验结果列于表1中。随着模糊或损坏像素的面积增加(从无到50%),所提出的RobustDenseNet在整体精度和F1指标上都取得了稳定的表现。总体准确率从90.3略微下降到89.8,这可能是由于Car级(从94.7到94.0)和Imp-suf级(从92.7到91.8)的下降。相反,Deeplab v3 +,即使是语义分割的最新模型,也在稳健性测试中失败了。其平均F1得分从88.6降至86.2,总体准确率下降了2.4%。图8显示了整体精度和F1度量的变化趋势,因为像素模糊或损坏的面积增加。据观察,RobustDenseNet的降低速度比Deeplab V3 +慢。
和目前精度最高的算法比鲁棒性也没有什么问题
Robust semantic segmentation by dense fusion network on blurred vhr remote sensing images相关推荐
- 语义分割--Large Kernel Matters--Improve Semantic Segmentation by Global Convolutional Network
Large Kernel Matters–Improve Semantic Segmentation by Global Convolutional Network https://arxiv.org ...
- Semi-supervised Semantic Segmentation with Error Localization Network(基于误差定位网络的半监督语义分割 )
Semi-supervised Semantic Segmentation with Error Localization Network(基于误差定位网络的半监督语义分割 ) Abstract 本文 ...
- 《Foreground-Aware Relation Network for Geospatial Object ......Remote Sensing Imagery》
论文阅读笔记:<Foreground-Aware Relation Network for Geospatial Object Segmentation in High Spatial Reso ...
- [论文阅读] Semi-supervised Semantic Segmentation via Strong-Weak Dual-Branch Network
[论文地址] [代码] [ECCV 20] Abstract 虽然现有的工作已经探索了各种技术来推动弱监督语义分割的发展,但与监督方法相比仍有很大差距.在现实世界的应用中,除了大量的弱监督数据外,通常 ...
- [分割]Learning a Discriminative Feature Network for Semantic Segmentation(DFN)
本文转自3篇文章当作自己的笔记. 文章1:链接 Learning a Discriminative Feature Network for Semantic Segmentation Learning ...
- 【U-HRNet2022】U-HRNet: Delving into Improving Semantic Representation of High Resolution Network for
U-HRNet: Delving into Improving Semantic Representation of High Resolution Network for Dense Predict ...
- 【论文合集】RGBD Semantic Segmentation
来源:GitHub - Yangzhangcst/RGBD-semantic-segmentation: A paper list of RGBD semantic segmentation (pro ...
- Weakly Supervised Semantic Segmentation list
Weakly Supervised Semantic Segmentation list 文章转自Github:https://github.com/JackieZhangdx/WeakSupervi ...
- 【Lawin Transformer2022】Lawin Transformer: Improving Semantic Segmentation Transformer with Multi-Sc
Lawin Transformer: Improving Semantic Segmentation Transformer with Multi-Scale Representations via ...
最新文章
- Using the pyparsing module - 使用pyparsing模块
- ROS安装配置相关问题
- MindManager: Draw your own MindMap!
- Hybrid A*论文解析(2)
- SpringCloud创建Eureka Client服务注册
- Mcafee EPO数据库过大
- 山东大学软件学院2022数据化企业期末复习总结
- devexpress实现模仿Win8桌面metro风格
- 看图说话之二叉树的前序,中序,后序,层次遍历方式
- linux中创建目录树,linux怎样创建目录树
- 涉密计算机用户登录密码多久换一次,涉密计算机口令应根据其密级进行设置并定期更换,秘密级计算机口令更换周期不得超过30天,机密级计算机口令更换周期不得超过10天 - 作业在线问答...
- The Sultan's Successors
- Android逆向:smali编码实践(三)—— 实体类创建以及if判断
- Google Analytic谷歌分析
- 搜狗拼音输入法传统版 6.7i(0747) 去广告优化版
- LATEX 调整各种间距问题
- 弗吉尼亚理工计算机科学排名,弗吉尼亚理工大学计算机科学硕士排名第46(2020年TFE Times排名)...
- springboot文件上传、下载使用ftp工具将文件上传至服务器
- IO测试软件–orion
- leetcode 1556. Thousand Separator(python)