Loveda Dataset
PulseAugur coverage of Loveda Dataset — every cluster mentioning Loveda Dataset across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的CRISP框架通过VSSD增强遥感分割
研究人员开发了CRISP，一个新颖的校准框架，旨在利用视觉状态空间对偶（VSSD）增强遥感语义分割。该框架通过引入对偶校准算子（DCO）来解决VSSD边界平滑过度的问题，DCO在不影响线性复杂度的前提下恢复局部对比度和边界细节。此外，还引入了正交多原型（OMP）头，通过为每个类别分配多个原型来更好地模拟类内方差。在基准数据集上的实验表明，CRISP在平均F1和mIoU得分方面取得了显著改进，并且参数数量具有竞争力。
-
新的HAFR-Net框架改进了超高分辨率遥感图像分割
研究人员开发了一个名为HAFR-Net的新框架，用于分割超高分辨率遥感图像。该网络自适应地组织和细化预训练编码器的层次表示，而不是用标准解码器替换它们。它结合了异质性引导阶段自适应融合（HG-SAF）和频率残差适配器（FRA）来提高特征利用率和准确性。HAFR-Net在多个基准数据集上取得了最先进的成果，优于UPerNet等现有方法。
-
新框架提升遥感领域开放词汇分割能力
研究人员开发了两种用于遥感领域开放词汇语义分割的新框架。第一个是DinoSplat-OV，它在不进行微调的情况下，将DINOv3模型适配到该领域，并使用文本感知噪声抑制和高斯溅射上采样模块来处理遥感影像的独有特征。第二个是EOVSAM，它增强了Segment Anything Model 3 (SAM 3) 的单通道预测能力，提高了准确性并显著加快了推理速度。这两种方法都旨在克服遥感领域像素级标注成本高昂的限制。
-
Hugging Face 对用于遥感分割的视觉状态空间模型进行基准测试
一项新的基准研究严格比较了视觉状态空间模型（SSM），如 VMamba 和 MambaVision，与传统的 Vision Transformer 在遥感分割任务上的表现。研究发现，虽然视觉 SSM 在准确性和效率之间取得了良好的平衡，但改进更有可能源于以鲁棒性为重点的设计和边界感知解码，而不是仅仅扩大编码器。这项工作为评估未来的 Mamba 型分割骨干网络建立了一个可复现的标准。