![](https://img-blog.csdnimg.cn/1e6ce610fbdb47c89e089dea3762715d.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
论文精选
文章平均质量分 88
SCI论文精读
Yokon_D
书中自有白玉京,楼高四万八千丈,仙人凭栏把芙蓉。
展开
-
Stronger, Fewer, & Superior: Harnessing Vision Foundation Models for Domain Generalized Semantic Seg
利用更强的预训练模型和更少的可训练参数来获得更好的泛化性,我们引入了一种鲁棒微调方法,即“Rein”,以参数有效地利用DGSS的VFMs。因此,Rein增强了VFMs在DGSS任务中的能力,在保留预训练知识的同时,使用更少的可训练参数实现了这一目标。,是阿里云出品的一款基于通义大模型的智能编码辅助工具,提供行级/函数级实时续写、自然语言生成代码、单元测试生成、代码优化、注释生成、代码解释、研发智能问答、异常报错排查等能力,并针对阿里云的云服务使用场景调优,助力开发者高效、流畅的编码。原创 2024-03-14 14:39:05 · 1340 阅读 · 0 评论 -
SkyEyeGPT: Unifying Remote Sensing Vision-Language Tasks via Instruction Tuning with Large Language
我们的研究表明,通过一个简单而有效的设计,SkyEyeGPT在不需要额外编码模块的情况下,在相当不同的任务上工作得非常好。具体来说,在通过对齐层将RS视觉特征投射到语言域之后,它们与特定于任务的指令一起被馈送到基于llm的RS解码器中,以预测RS开放式任务的答案。但是,448 × 448的高分辨率会产生过多的patch N,这会降低LLM处理上下文输入的效率,并且对资源的要求很高。基于llm的RS开放式任务解码器:我们选择开源的LLaMA2-chat 作为我们的语言模型,这是一个仅解码器的LLM。原创 2024-02-28 16:14:56 · 901 阅读 · 0 评论 -
Changer: Feature Interaction Is What You Need forChange Detection
还有“交换“交互是一种完全不需要参数和计算的操作,它是通过交换空间或通道维度上的双时态特征映射来实现的,交换的特征在经过后续的卷积或令牌混合时进行混合。方法二:提出了两种简单的交互策略,AD和特征“交换”,大量的实验表明,它们可以极大地提高MetaChanger的性能,特别是特征“交换”,即使嵌入到复杂的网络中或应用于具有挑战性的数据集。在这里,我们用虚线勾勒本文的重点。这是变化检测任务的基本问题,双时相图像提供了同一地区在不同时间点的图像数据,通过对比这两个时间点的图像,我们可以检测出该地区的变化。原创 2024-02-28 10:41:01 · 1052 阅读 · 0 评论 -
Remote Sensing ChatGPT: Solving Remote Sensing Tasks with ChatGPT and Visual Models
为此,我们提出了遥感ChatGPT,一个llm驱动的代理,利用ChatGPT连接各种基于人工智能的遥感模型来解决复杂的口译任务。具体来说,给定一个用户请求和一张遥感图像,我们利用ChatGPT了解用户请求,根据任务的功能进行任务规划,迭代执行每个子任务,并根据每个子任务的输出生成最终响应。提出了遥感ChatGPT,这是一个类似ChatGPT的系统,能够理解用户的请求,规划遥感解译任务,并生成最终产品和对用户的响应。遥感ChatGPT可以理解用户的请求,规划遥感判读任务,并生成最终产品和对用户的响应。原创 2024-01-31 14:21:45 · 1020 阅读 · 0 评论 -
ChangeCLIP: Remote sensing change detection with multimodal vision-language representation learning
顺应这一趋势,在本研究中,我们引入了ChangeCLIP,这是一个利用图像-文本对的鲁棒语义信息的新框架,专门为遥感变化检测(RSCD)量身定制。此外,我们提出了一种视觉语言驱动的解码器,将图像-文本编码的结果与解码阶段的视觉特征相结合,从而增强图像的语义。面对遥感变化检测(RSCD)领域中只考虑单模态数据而忽略多模态数据中丰富语义信息的问题,本文引入了 ChangeCLIP,这是一个新的框架,利用来自图像-文本对的强大语义信息,专门为遥感变化检测(RSCD)量身定制。原创 2024-01-28 11:05:51 · 1440 阅读 · 0 评论 -
Multi-stage progressive change detection on high resolution remote sensing imagery
遥感图像的变化检测,特别是光学高分辨率和超高分辨率图像的变化检测,是有效识别对地观测变化的关键技术,在土地利用分析、城市规划、环境监测和灾害制图等领域有着广泛的应用。基于来自IDN的粗略变化预测,所提出的方法观察到了变化和未变化的区域分布,这逐渐给KDN带来了细化变化检测结果的轮廓。传统方法与数据融合技术的对比:虽然文中提到了使用ArcGIS软件进行简单的重采样方法,但实际上,对于低分辨率图像,理想的做法是使用数据融合技术,如pan-sharpening,而不是简单的重采样。原创 2024-01-03 17:03:28 · 909 阅读 · 0 评论 -
Unified building change detection pre-training method with masked semantic annotations
其次,采用所提方法对语义掩蔽建筑区域进行控制,确保样本分布均衡第三,在所提出的统一范式中,由于语义信息可以作为有效的监督信号来辅助CD训练,解决了伪标签对算法收敛能力产生不利影响的问题,因此在所提出的统一范式中采用了 多任务网络进行同时建筑物提取和变化检测。值得注意的是,使用我们的预训练权重进行微调的10%的基真值获得了交集并集(IoU) ,与在没有预训练权重的情况下使用100%的CD基真值获得的基值相当,而使用我们的预训练权重使用30%的基真值实现了更大的loU。PT-W 表示我们预先训练的权重。原创 2023-11-29 14:40:38 · 1008 阅读 · 0 评论 -
SARAS-Net: Scale and Relation Aware Siamese Network for Change Detection
此外,我们使用交叉变换模块来融合不同尺度的特征,以获得更好的变化检测表示。关系感知模块的目标是增强从两个输入图像提取的特征图之间的交互关系,以提高用于变化检测的特征的辨别能力。然后,在特征相减之后,尺度感知注意模块计算相减图上的跨尺度注意,以处理由多种尺寸的物体引起的场景变化问题。然而,在我们的实验中,我们发现在特征减法之前和之后执行所有的操作可以获得更多的信息并且导致更好的结果。提出了尺度感知模块,通过计算减影图上的交叉尺度注意力,使特征集中在更重要的通道上,从而更有效地检测由不同尺度的对象引起的变化。原创 2023-11-18 18:56:24 · 334 阅读 · 0 评论 -
Changes to Captions: An Attentive Network forRemote Sensing Change Captioning
在这项研究中,我们强调了准确描述遥感图像变化的重要性,并对自然图像、合成图像和遥感图像的变化字幕任务进行了比较。为了准确描述多时相遥感图像的变化情况,提出了一种新的用于遥感变化字幕的注意力网络,简称Chg2Cap。由于遥感图像是在高海拔垂直拍摄的,遥感图像中的大部分三维信息,如颜色、高度和纹理,都被压缩成地球表面的二维信息。所提出的Chg2Cap方法的总体框架由(a)基于CNN的特征提取器,(b)由N个分层自注意(HSA)块和残差块(ResBlock)堆栈组成的注意编码器,以及(c)字幕生成器构成。原创 2023-11-14 08:49:28 · 321 阅读 · 0 评论 -
Global-aware siamese network for change detection on remote sensing images
遥感图像中的变化检测是以有效的方式识别观测变化的最重要的技术选择之一。CD具有广泛的应用,如土地利用调查、城市规划、环境监测和灾害测绘。然而,频繁出现的类不平衡问题给变化检测应用带来了巨大的挑战。为了解决这个问题,我们开发了一种新的全局感知连体网络(GAS-Net),旨在通过结合场景和前景之间的关系来生成全局感知特征,以进行有效的变化检测。所提出的GAS-Net由全局注意力模块(GAM)和前景感知模块(FAM)组成,它们既学习上下文关系,又增强了场景和前景之间的共生关系学习。原创 2023-11-04 20:28:22 · 278 阅读 · 0 评论 -
CIT: Content-invariant translation with hybrid attention mechanism for unsupervised change detection
在遥感领域,变化检测一直是一个基础性但具有挑战性的研究课题,具有深刻的理论意义和广泛的应用价值。在过去的几十年里,深度学习的出现和发展为监督变化检测提供了新的技术支持,并将其准确性提高到了前所未有的水平。然而,由于预标记参考文献的强依赖性和弱可转移性,监督学习模式仍然需要一定程度的人工辅助,这并不适用于所有的变化检测任务。此外,与任何特定的固有属性无关,当发生在不同的土地覆盖类别之间时,变化可能会显示出不稳定和不规则的特征,使其与传统的端到端学习模式不兼容。原创 2023-11-04 20:19:38 · 105 阅读 · 0 评论