遥感图像语义分割的自适应频率增强网络
机器学习
2025-04-04 v1 人工智能
信息检索
机器学习
摘要
高分辨率遥感图像的语义分割在土地利用监测和城市规划中发挥着关键作用。近年来基于深度学习的方法取得了显著进展，使得能够生成令人满意的分割结果。然而，现有方法仍面临着网络参数难以适应各种土地覆盖分布以及难以增强空间域和频率域特征之间相互作用的挑战。为此，我们提出了自适应频率增强网络(AFENet)，其集成了两个关键组件：自适应频率和空间特征交互模块(AFSIM)和选择性特征融合模块(SFM)。AFSIM 根据输入图像的内容动态分离和调制高频和低频特征。它自适应地生成两个掩码来分离高频和低频成分，从而为地物特征表示提供最佳细节和上下文补充信息。SFM 有选择地融合全局上下文和局部细节特征，以增强网络的表示能力。因此，进一步增强了频率和空间特征之间的相互作用。在三个公开数据集上的广泛实验表明，所提出的 AFENet 超过了当前最先进的方法。此外，我们还验证了 AFSIM 和 SFM 在管理多样化土地覆盖类型和复杂情景中的有效性。我们的代码已公开于 https://github.com/oucailab/AFENet。
引用
@article{arxiv.2504.02646,
title = {Prompt Optimization with Logged Bandit Data},
author = {Haruka Kiyohara and Daniel Yiming Cao and Yuta Saito and Thorsten Joachims},
journal= {arXiv preprint arXiv:2504.02646},
year = {2025}
}
备注
Preprint