mengmengc的博客

遥感变化检测（CD）是观测和分析动态土地覆盖变化的一项关键任务。许多基于深度学习的CD方法表现出强大的性能，但它们的有效性受到编码器选择和准确划定变化区域边缘的挑战的影响。在本文中，我们提出了一种混合编码器和边缘引导的拉普拉斯金字塔网络（HE-LPNet）来解决这些问题。具体来说，混合编码器结合了卷积神经网络和变压器的优势，从而提取出更细粒度的特征。同时，混合编码器结合了视觉基础模型，从而增强了整体模型的泛化。

多分类语义分割中类之间的小差异和类内的大变化是全卷积神经网络的“编码器-解码器”结构没有完全解决的问题，导致对容易混淆的类别的不精确感知。为了解决这个问题，在本文中，我们认为足够的上下文信息可以为模型提供更多的解释线索。此外，如果我们能够挖掘每个语义类的类特定感知信息，我们可以在解码过程中增强属于相应类的信息。因此，我们提出了基于金字塔视觉变压器（PVT）的类引导网络。具体来说，以PVTA为编码器网络，接下来的解码过程由三个阶段组成。

在现代交通基础设施建设中，道路是众多设施中不可或缺的重要功能组成部分，是连接远方的通道和支持交通活动的媒介。道路的安全性、通畅性、可用性和可达性对指导最佳交通路线和正确的驾驶行为具有重要意义。详细的路网信息也为服务于高清制图和高精度地图导航提供了极其重要的证据。此外，路网的分布和质量为评估一个地区的发展提供了有价值的指标。因此，定期测量路网并及时更新其细节以提高完整性和精确性，对于广泛的道路相关应用和活动具有重要意义。然而，仅仅基于驾驭工人的实地调查，快速绘制复杂和大规模的路网并不是一项轻松的任务。

创新：unet、高标准农田道路识别、GF-2影像、断点修复面向对象方法对影像进行分割——>根据特征进行分类（剔除光谱特征和田间道路相似的建筑物等非道路要素）——>对影像进行剪裁、标签制作、数据增强——>unet网络。

问题小麦在影像中呈现田块碎小且分布零散等空间特征，同时影像包含的复杂地物对冬小麦识别造成干扰，易出 现识别精度低且边界分割模糊等问题。数据以高分二号卫星影像作为数 据源提出方法提出一种CAHRNet（change attention high-resolution Net）语义分割模型。采用HRNet（high-resolution Net）替换 ResNet作 为 模 型 的 主 干 网 络 ， 网 络 的 并 行 交 互 方 式 易 获 取 高 分 辨 率 的 特 征 信 息；

研究对象：耕地问题：为解决现有的耕地信息提取方法忽视地块的差异化特征和边缘细节蕴含的丰富信息，且提取结果碎片化、边界 模糊问题。提出方法：采用一种结合EfficientNet骨干网络和U型框架构建的改进型耕地信息提 取模型BECU-Net（Boundary Enhancement Classification U-Net），并为实现边缘特征和深度特征的信息互补，设 计由CoT模块门控卷积scSE。