REMOTE SENSING / CHANGE DETECTION
SCA-Net
معماری پژوهشی برای آشکارسازی تغییرات کوچک در تصاویر ماهوارهای؛ با تمرکز بر ساختمانها، راهها و زمینه فضایی
بهبود اشیای کوچک
طبق متن پروژه برای تغییرات کوچک
شاخصها
گزارش عملکرد روی دیتاستهای مرجع
هسته
SegFormer-B1 با پردازش چندمقیاسی
ARCHITECTURE / SCA-NET
تغییر کوچک، معماری بزرگ میخواهد
این صفحه مثل نقشه ماهوارهای رفتار میکند: معماری، نتیجه و لایههای تصمیم کنار هم قرار گرفتهاند تا روشن شود چرا تشخیص تغییر ساختمان و جاده، فقط مقایسه دو تصویر نیست
SCA-Net روی جایی تمرکز دارد که بسیاری از مدلها زمین میخورند: تغییرات کوچک، باریک و زمینهمند. معماری بر پایه Change-Agent بازطراحی شد و با Difference Pyramid Block، پردازش چندمقیاسی و تجمیع فضایی-متنی، تغییر واقعی را از نویز و بافت جدا کرد. در متن پروژه، بهبود روی دیتاستهای LEVIR-CD و LEVIR-MCI و جهش چشمگیر در تشخیص اشیای کوچک گزارش شده است
Remote SensingSegFormer-B1Siamese NetworkTransformerAttentionPyTorch
MULTI-SCALE / LAYERS
نقشه تغییرات از بالا
Difference Pyramid Block
تحلیل چندمقیاسی اختلافها برای جدا کردن تغییر واقعی از بافت، سایه و نویز تصویری
Adaptive Multi-scale Processing
تجمیع فضایی-متنی با Attention و Transformer برای افزایش دقت روی ساختمان و راه
هزینه محاسباتی کنترلشده
طراحی بر پایه Siamese SegFormer-B1 با توجه به دقت و بار پردازش
ماموریت بعدی · 04
چهرهنگاری مولد
↗