相关实验视频
Updated: Sep 13, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
523
对于遥感图像分割的稀疏点注释.
Sixian Chan1, Wangjie Zhou1, Yanjing Lei1
1The College of Computer Science and Technology at Zhejiang University of Technology, Hangzhou, 310023, China.
Scientific reports
|July 27, 2025
概括
本研究介绍了基于点的扩展网络 (PENet) 用于遥感语义细分. PENet有效地使用稀疏点注释来获得准确的结果,减少了对昂贵的像素级数据的需求.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 遥感 遥感 遥感 遥感
背景情况:
- 遥感图像 (RSI) 的语义细分需要广泛的像素级注释,这些注释的获取是昂贵的,耗时的.
- 现有的点注释提供了效率,但缺乏精确细分的关键轮和空间细节.
研究的目的:
- 开发一个高效的深度学习框架,用于远程传感语义分割 (RSSS),使用稀疏点注释.
- 通过利用动态标签扩展和辅助模型来克服稀疏监督的局限性.
主要方法:
- 提出了基于点的扩展网络 (PENet),其中包含一个分段任何模型 (SAM) 分支用于生成伪标签.
- 利用由高维语义特征相似性引导的动态标签扩展来完善监督信号.
- 集成了高效的多尺度注意力 (EMA) 模块,以增强空间信息的捕获,并使标签的动态调整.
主要成果:
- 佩内特 (PENet) 证明了 RSIs 的有效语义细分,仅使用点注释.
- 该框架成功地恢复了对象的边界和大小,弥补了监督的稀疏性.
- 在波茨坦和瓦希数据集上的实验验证实了模型的性能和可扩展性.
结论:
- 点注释具有可扩展和成本效益高的RSI语义细分的巨大潜力.
- 拟议的PENet框架提供了一个可行的解决方案,用于降低远程传感深度学习中的注释成本.
