ClassWise-CRF：基于类别的CRF用于提升遥感图像语义分割
计算机视觉与模式识别
2025-12-30 v2 人工智能
机器学习
多媒体
摘要
我们提出一种称为ClassWise-CRF的类别特定融合架构。该架构采用两个阶段：首先，采用贪心算法从候选网络池中筛选出在特定类别中表现良好的专家网络；其次，通过基于每个类别中网络分割性能的自适应加权方式，对这些所选网络的分割预测进行整合。灵感来源于条件随机场(CRF)，ClassWise-CRF架构将来自多个网络的分割预测视为置信向量场。它将分割指标（如Intersection over Union）从验证集作为先验，并采用指数加权策略融合来自每个网络在每个类别中预测的置信得分。该融合方法动态调整每个网络在不同类别中的权重，实现类别特定的优化。基于此，架构进一步利用CRF中的单值势和双值势对融合结果进行优化，以确保空间一致性和边界精度。为验证ClassWise-CRF的有效性，我们在两个遥感数据集上进行了实验，分别是LoveDA和Vaihingen，使用了八个经典且先进的语义分割网络。结果表明，ClassWise-CRF架构显著优于现有方法：在LoveDA数据集上，验证集的平均Intersection over Union(mIoU)提升了1.00%，测试集提升了0.68%；在Vaihingen数据集上，验证集的mIoU提升了0.87%，测试集提升了0.91%。这些结果充分证明了ClassWise-CRF架构在遥感图像语义分割中的有效性和通用性。完整代码可在 https://github.com/zhuqinfeng1999/ClassWise-CRF 获取。
引用
@article{arxiv.2504.21491,
title = {ClassWise-CRF: Category-Specific Fusion for Enhanced Semantic Segmentation of Remote Sensing Imagery},
author = {Qinfeng Zhu and Yunxi Jiang and Lei Fan},
journal= {arXiv preprint arXiv:2504.21491},
year = {2025}
}
备注
Accpted by Neural Networks