熬夜伤身体啊!、
累了就歇歇吧
这波速读可是卡着时间来的,20min
中间那个图可真是难懂,前几天读的那几篇感觉就是自己设计了一个网络嘛,这波是什么卫星图像的,以前也没咋接触过
但是难说以后会遇见什么
读吧!
abstract
- 提出了第一种端到端、单阶段的卫星图像时间序列(SITS)的全光分割方法,基于时间注意力机制
(一开始还不说这个方法叫什么名字…) - 提出了PASITS数据集
(一开始想错了,以为这是哪来的一个数据集,没想到就是他们提出了一个专门为这个的数据集。。)、
method
时空编码
作者提出了U-TAE(U-Net with Temporal Attention Encoder),一种结合了多尺度空间卷积和时间自注意力机制的时空编码器
这个图主要就是讲这个时空编码的。
底下分为时间编码,空间编码和空间解码。
(精读的时候得把这块好好看看了,这块感觉变化挺多了,是本文的精华)
全景分隔
提出了PaPs(Parcels-as-Points),第一个端到端的SITS的全景分割方法
中心点探测:
通过预测中心热图进行地块探测
实验
这里因为数据集是作者提出的,所以还是看看数据集吧
语义分隔实验
U-TAE有L=4个分辨率等级,L-TAE有G=16个头。在语义分割任务中,将有最高分辨率特征图d1设为有K个通道,K是类别的个数。然后作者将d1解释为像素级预测,该预测的损失函数是交叉熵损失函数,在这里没有使用PaPs的模块。
消融实验
全景分隔实验
我们使用相同的U-TAE配置实现全景分割,加上一个PaPs模块和16×16的形状patch。作者用分割质量(SQ)、识别质量(RQ)和全景质量(PQ)来判断效果。
conclusion
作者介绍了时空编码器U-TAE,与第一个SITS上的全景分割框架PaPs组合,在第一个大规模全景SITS数据集PASTIS上进行评估,作者的方法明显优于所有其他语义分割方法。
(这里跟前面对上了,我觉得这个方法就是这个U-TAE,然后可以很好结合PaPs,所以一开始说一种很好的SITS方法)
嘤嘤嘤,本次速读,还是第一遍没有读明白(我觉得可能要面试的话,也会让你说原理实现。。。)
所以现在还是不够,,大约练练的话,就是中间那一些公式需要耗费很长的时间,,,但是感觉还是孰能生巧吧。
加油呀宝~