学子的博客

通过设计跨尺度特征融合模块（CFFM）、轻量级通道精炼模块（LCRM）、空间信息选择模块（SISM），有效地融合了CNN局部特征与Transformer全局特征，在大幅降低参数和计算量的同时，提升了对复杂、无结构目标的分割性能。广泛实验证明，LightFormer在多个遥感数据集上实现了较现有SOTA方法更优的性能与效率平衡。LightFormer、轻量级解码器、远程感知图像分割、CNN-Transformer混合架构、灾害响应、跨尺度特征融合、空间信息选择模块（SISM）、轻量化、实时分割、语义分割。

通过设计跨尺度特征融合模块（CFFM）、轻量级通道精炼模块（LCRM）、空间信息选择模块（SISM），有效地融合了CNN局部特征与Transformer全局特征，在大幅降低参数和计算量的同时，提升了对复杂、无结构目标的分割性能。广泛实验证明，LightFormer在多个遥感数据集上实现了较现有SOTA方法更优的性能与效率平衡。LightFormer、轻量级解码器、远程感知图像分割、CNN-Transformer混合架构、灾害响应、跨尺度特征融合、空间信息选择模块（SISM）、轻量化、实时分割、语义分割。