Fusion of hierarchical class graphs for remote sensing semantic segmentation

计算机科学 分割 班级(哲学) 模式识别(心理学) 不相交集 尺度空间分割 图形 图像分割 人工智能 像素 基于分割的对象分类 关系(数据库) 分层数据库模型 数据挖掘 数学 理论计算机科学 组合数学
作者
Xudong Kang,Yintao Hong,Puhong Duan,Shutao Li
出处
期刊:Information Fusion [Elsevier]
卷期号:109: 102409-102409 被引量:2
标识
DOI:10.1016/j.inffus.2024.102409
摘要

Semantic segmentation of remote sensing images aims to assign a specific label or class to each pixel in an image, which plays an extremely important role in scene understanding. Currently, many advanced deep learning-based semantic segmentation methods have been developed. However, these methods are always based on disjoint labels to identify ground objects while ignoring the correlation (e.g., semantic, shapes, materials, etc.) among different ground objects, which limits the segmentation performance of remote sensing images. To solve this issue, we propose a hierarchical class graph for semantic segmentation of high resolution remote sensing images, which can learn structured relation among different ground objects. Specifically, first, we construct hierarchical class graphs based on different attributes and layers. Then, a three-layer hierarchical segmentation framework is developed to learn the correlation among different ground objects. Finally, a decision fusion method is designed to fuse the benefits of different hierarchical attributes and layers. More importantly, the influence of different hierarchical class graphs on the segmentation performance is detailedly analyzed. Extensive experiments on the iSAID and Vaihingen datasets reveal that all studied segmentation methods with hierarchical class graph can obtain better segmentation performance compared to ones without hierarchical class graph. The limitation of the proposed method is that the training time of the segmentation model tends to increase a bit because of considering the correlation among different ground objects.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
轵关宣方完成签到,获得积分10
刚刚
科研通AI2S应助辛勤泥猴桃采纳,获得10
刚刚
1秒前
1秒前
李白完成签到,获得积分10
2秒前
2秒前
一一完成签到,获得积分10
2秒前
天天快乐应助优美丹雪采纳,获得10
3秒前
从容荠完成签到,获得积分10
3秒前
5秒前
文龙发布了新的文献求助10
5秒前
八森木发布了新的文献求助10
7秒前
SwapExisting完成签到 ,获得积分10
8秒前
灵巧汉堡完成签到 ,获得积分10
8秒前
11秒前
rosalieshi应助jado采纳,获得30
12秒前
12秒前
Singularity应助jiapei_1019采纳,获得10
14秒前
DianaRang完成签到,获得积分10
14秒前
李爱国应助云_123采纳,获得10
15秒前
梅卡完成签到 ,获得积分10
16秒前
17秒前
18秒前
18秒前
人专完成签到,获得积分10
19秒前
善学以致用应助lisa采纳,获得10
19秒前
20秒前
天天快乐应助lvlv采纳,获得10
20秒前
科目三应助周星星采纳,获得10
22秒前
22秒前
重生之我是院士完成签到,获得积分10
22秒前
23秒前
23秒前
25秒前
温暖的颜演完成签到 ,获得积分20
25秒前
meng完成签到,获得积分10
27秒前
云_123发布了新的文献求助10
27秒前
cc完成签到 ,获得积分10
27秒前
领导范儿应助噼里啪啦采纳,获得10
27秒前
Misty发布了新的文献求助10
28秒前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Le dégorgement réflexe des Acridiens 800
Defense against predation 800
Very-high-order BVD Schemes Using β-variable THINC Method 568
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3134881
求助须知:如何正确求助?哪些是违规求助? 2785770
关于积分的说明 7774093
捐赠科研通 2441601
什么是DOI,文献DOI怎么找? 1298038
科研通“疑难数据库(出版商)”最低求助积分说明 625075
版权声明 600825