English(EN) Coarse-to-Fine Domain Incremental Learning with Attentive Distillation for Mining Footprint Segmentation in Multispectral Imagery

新框架利用粗粒度到细粒度学习改进矿区足迹分割

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-26 04:00

研究人员开发了MineC2FNet，一个用于改进多光谱影像中矿区足迹分割的新框架。这种粗粒度到细粒度的域增量学习方法利用丰富、不太精确的数据来提高细粒度边界分割的准确性。该方法采用教师-学生架构和注意力蒸馏，以有效地转移知识并利用有限的精确数据来优化分割。 AI

影响引入了一种新颖的深度学习框架，用于更准确的遥感分析，可能有助于环境监测和资源管理。

排序理由该集群包含一篇详细介绍新图像分割方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Alif Tri Handoyo, Vincent C. S. Lee, Rizka Widyarini Purwanto, Alex M. Lechner, Deanna Kemp, Muhamad Risqi U. Saputra · 2026-05-26 04:00

Coarse-to-Fine Domain Incremental Learning with Attentive Distillation for Mining Footprint Segmentation in Multispectral Imagery

arXiv:2605.24460v1 Announce Type: cross Abstract: Automatically mapping and segmenting global mining footprints using remote sensing and deep learning is critical for monitoring the socio-environmental risks and impacts of mining, yet its progress is hindered by the scarcity of f…