笔记|基于Unet++、Deeplabv3+、MANet的GF-1遥感影像水体语义分割深度学习|计算机视觉|deep|lea

文章目录

【笔记|基于Unet++、Deeplabv3+、MANet的GF-1遥感影像水体语义分割】
@[TOC]前言记录每日计划与总结以及实验的方法与结果。
提示：以下是本篇文章正文内容，下面案例可供参考
一、每日记录

日期	上午计划	下午计划	总结
2021-12-08	阅读论文《Towards Open-Set Semantic Segmentation of Aerial Images》	影像数据分析	选取论文应该更加慎重，减少不必要的时间浪费
2021-12-10	服务器环境配置	影像数据分析	数据挖掘可以使我们事半功倍
2021-12-13	阅读论文《Panoptic Segmentation of Satellite Image Time Series with Convolutional Temporal Attention Networks（ICCV）》	读论文	时序的语义分割
2021-12-14	数据标注	数据标注	无
2021-12-15	数据标注	数据标注	无
2021-12-16	阅读论文《Lightweight Temporal Self-Attention for Classifying Satellite Images Time Series》	读论文	以输入向量代替需要学习的Value可以提高效率
2021-12-17	生成训练集	ResUNet	无
2021-12-20	NDWI作为比较	DeepLabV3+	无
2021-12-21	UNet++	UNet++	无

二、论文汇总

Towards Open-Set Semantic Segmentation of Aerial Images Caio C.V.da Silva. CVPR,2020(PDF)(Citations 6)
- 开放场景分类，结果包含着Unknown Class，但实验结果精度并没有很大的提升。
Panoptic Segmentation of Satellite Image Time Series with Convolutional Temporal Attention Networks Vivien Sainte Fare Garnot. ICCV,2021(PDF)(Citations 1)
- 可以将一整年的遥感影像（T×B×C×H×W）放入网络中，不用去掉云覆盖，在最低分辨率处加入时间Attenrion模块(Lightweight Temporal Self-Attention)，下采样中采用GroupNorm而不是BatchNorm，用以解决时序长度不相同的问题，最后提高了农田分割的精度。

文章图片

Lightweight Temporal Self-Attention for Classifying Satellite Images Time Series Vivien Sainte Fare Garnot and Loic Landrieu. Advanced Analytics and Learning on Temporal Data,2020(PDF)(Citations 10)
- L-TAE采用了信道分组策略，下图中H为头的个数，用输入向量取代Value

文章图片

MA-Net: A Multi-Scale Attention Network for Liver and Tumor Segmentation Tongle Fan.GuangLei Wang.IEEE Access, 2020 (PDF)(Citations 21)
- 设计了两个注意力模块:基于空间的注意块(PAB)和多尺度(不同特征通道数)融合注意块(MFAB)。

文章图片
PAB

文章图片
MFAB

Semantic Segmentation of Crop Type in Africa: A Novel Dataset and Analysis of Deep Learning Methods Rose Rustowicz, Robin Cheong, Lijing Wang.CVPR,2019 (Citations 34)
- 不同分辨率遥感数据在语义分割当中的应用，最后的标签是低分辨率的10m
- 在得到不同分辨率的分割结果后的融合

文章图片

Hierarchical Multi-Scale Attention for Semantic Segmentation Andrew Tao,Karan Sapra,Bryan Catanzaro.CVPR,2020 (Citations 171)
- 一种基于注意力机制的多尺度预测结果结合

文章图片