landbench里面,李老师提到的encode-decode。
remote sensing,大类是2区,小类是2到3区。
分类的
题目:
“利用内部卷积集 成 编码 器 -解码 器 网 络和 定 向 条件 随 机场 从 遥 感图 像中提取道路” (pdf)
“Road Extraction from Remote Sensing Images Using the Inner Convolution Integrated Encoder-Decoder Network and Directional Conditional Random Fields” (pdf)
问题:
“但 由于 遮挡 等 复杂 情况 和因 素 ,道 路提 取仍 然 是一 项具 有挑 战性 的任 务 。为 了提 高 道路 提取 的准 确 性和 连通 性 ,我 们提 出了 一 种结 合方 向性 条 件随 机场 后处理 的内 部卷 积集 成编 码器- 解码 器网 络。” (Wang 等, 2021, p. 1) (pdf)
方法
“提出了一个内部卷积集成编码器-解码器网络 ,并对方向 CRF 进 行后处理,用于从遥感图像中分割道路” (pdf)
“利用定向 CR F 对初步分割结果进行优化” (Wang 等, 2021, p. 3) (pdf)
使用的是U-net的网络架构
CRF
“CRF 是典型的单向图模型[42]。CR F 作为一种图像分割的后处理方法,可以减少对目 标的错误预测,提高分割效果” (Wang 等, 2021, p. 5) (pdf)
“全连接 CRF 是近年来最常用的图像语义分割 CRF 模型” (Wang 等, 2021, p. 5) (pdf)
“通过 利用 相邻 节 点的 能量 函数 , 具有 相似 颜色 和强 度 的像 素很 可能 被归 入 同一 类别” (Wang 等, 2021, p. 5) (pdf)
数据集
“马萨诸塞州道路数据集共包含 1171 张图” (Wang 等, 2021, p. 7) (pdf)
“每张图像为 1500 ×1500” (Wang 等, 2021, p. 7) (pdf)
评估指标
“道路提取可以看作是一个语义分割问题,我们使用召回率、准确率和 F1 -score 来 评估 提取 结果” (Wang 等, 2021, p. 7) (pdf)
收获:
-
知道了CRF
-
还能将encode-decode和将U-net结合,进行分类问题,最后再加一个CRF,
-
里面有消融实验,写论文可以参考。同样的写一张表