
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于相似性启发式融合与可逆变换学习网络的多模态跨城市语义分割
《IEEE Transactions on Neural Networks and Learning Systems》:Multimodal Cross-City Semantic Segmentation Based on Similarity-Inspired Fusion and Invertible Transformation Learning Network
【字体: 大 中 小 】 时间:2026年03月04日 来源:IEEE Transactions on Neural Networks and Learning Systems 8.9
编辑推荐:
多模态跨城市语义分割方法SFITNet通过可逆变换学习策略ITLS实现异构传感器特征对齐,并设计跨域相似性信息交互模块CDSiM有效利用多源互补信息,解决传统融合方法忽视域差异的问题,在C2Seg-AB和Su-Wu数据集上验证了方法有效性。
遥感图像语义分割是遥感图像智能解释领域的一个研究热点,为城市规划、土地测量、环境监测、军事侦察等领域提供了重要的信息支持。语义分割是指为遥感图像中的每个像素分配一个土地覆盖类别。与传统需要人工干预的算法相比,基于深度学习的方法具有更高的自动化水平,在遥感语义分割方面取得了显著成就。然而,当前在单一城市环境中的语义分割方法需要大量的标记数据进行监督训练[1]、[2]。同时,训练数据和测试数据需要满足独立同分布的假设,这限制了处理具有时空变换的跨城市语义分割任务的能力。最近,多模态与人工智能模型的联合发展以及其域适应性已被证明可以提高跨城市任务的处理能力[3]。在这种情况下,有效利用来自不同平台或传感器的多模态数据之间的互补信息,并设计出鲁棒的算法来增强模型的泛化能力,是跨城市语义分割发展的关键趋势。