論文の概要: F2Net: A Frequency-Fused Network for Ultra-High Resolution Remote Sensing Segmentation

• arxiv url: http://arxiv.org/abs/2506.07847v1
• Date: Mon, 09 Jun 2025 15:09:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:11.014755
• Title: F2Net: A Frequency-Fused Network for Ultra-High Resolution Remote Sensing Segmentation
• Title（参考訳）: F2Net:超高分解能リモートセンシングセグメンテーションのための周波数融合ネットワーク
• Authors: Hengzhi Chen, Liqian Feng, Wenhua Wu, Xiaogang Zhu, Shawn Leo, Kun Hu,
• Abstract要約: F2Netは、UHR画像を特殊な処理のために高周波数成分と低周波数成分に分解する周波数認識フレームワークである。 ハイブリッド周波数融合モジュールは、2つの新しい目的によって導かれるこれらの観測を統合する。 F2Netは、それぞれ80.22のmIoUと83.39の最先端のパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 10.67983913373955
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic segmentation of ultra-high-resolution (UHR) remote sensing imagery is critical for applications like environmental monitoring and urban planning but faces computational and optimization challenges. Conventional methods either lose fine details through downsampling or fragment global context via patch processing. While multi-branch networks address this trade-off, they suffer from computational inefficiency and conflicting gradient dynamics during training. We propose F2Net, a frequency-aware framework that decomposes UHR images into high- and low-frequency components for specialized processing. The high-frequency branch preserves full-resolution structural details, while the low-frequency branch processes downsampled inputs through dual sub-branches capturing short- and long-range dependencies. A Hybrid-Frequency Fusion module integrates these observations, guided by two novel objectives: Cross-Frequency Alignment Loss ensures semantic consistency between frequency components, and Cross-Frequency Balance Loss regulates gradient magnitudes across branches to stabilize training. Evaluated on DeepGlobe and Inria Aerial benchmarks, F2Net achieves state-of-the-art performance with mIoU of 80.22 and 83.39, respectively. Our code will be publicly available.
• Abstract（参考訳）: 超高解像度(UHR)リモートセンシング画像のセマンティックセグメンテーションは、環境モニタリングや都市計画といった応用には重要であるが、計算と最適化の課題に直面している。 従来の方法では、ダウンサンプリングやパッチ処理によるグローバルコンテキストの断片化によって詳細が失われる。 マルチブランチネットワークはこのトレードオフに対処する一方で、計算の非効率さとトレーニング中の勾配ダイナミクスの矛盾に悩まされている。 本稿では,UHR画像を高周波数成分と低周波数成分に分解して特殊な処理を行う周波数認識フレームワークF2Netを提案する。 高周波分岐はフルレゾリューション構造の詳細を保存し、低周波数分岐は短距離および長距離の依存関係をキャプチャする2つのサブブランチを通してダウンサンプリングされた入力を処理する。 クロス周波数アライメント損失は周波数コンポーネント間のセマンティック一貫性を保証する。 DeepGlobe と Inria Aerial のベンチマークで評価すると、F2Net は mIoU の 80.22 と 83.39 でそれぞれ最先端のパフォーマンスを達成した。 私たちのコードは公開されます。

関連論文リスト

• Freqformer: Image-Demoiréing Transformer via Efficient Frequency Decomposition [83.40450475728792]
  本稿では,Freqformerについて述べる。Freqformerは,ターゲット周波数分離による画像復号化に特化して設計されたトランスフォーマーベースのフレームワークである。 本手法は,モワールパターンを高周波数空間局在化テクスチャと低周波数スケールローバスト色歪みに明確に分割する有効な周波数分解を行う。 様々なデモアのベンチマーク実験により、Freqformerは、コンパクトなモデルサイズで最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-05-25T12:23:10Z)
• FreqU-FNet: Frequency-Aware U-Net for Imbalanced Medical Image Segmentation [0.0]
  FreqU-FNetは周波数領域で動作する新しいU字型セグメンテーションアーキテクチャである。 我々のフレームワークは、低パス畳み込みとDubechiesウェーブレットに基づくダウンサンプリングを利用する周波数を組み込んでいる。 複数の医療セグメンテーションベンチマークの実験では、FreqU-FNetはCNNとTransformerのベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-23T06:51:24Z)
• FUSE: Label-Free Image-Event Joint Monocular Depth Estimation via Frequency-Decoupled Alignment and Degradation-Robust Fusion [63.87313550399871]
  画像強調共同深度推定法は、頑健な知覚に相補的なモダリティを利用するが、一般化可能性の課題に直面している。 自己監督型転送(PST)と周波数デカップリング型フュージョンモジュール(FreDF)を提案する。 PSTは、画像基礎モデルと潜在空間アライメントによるクロスモーダルな知識伝達を確立する。 FreDFは、低周波構造成分から高周波エッジ特性を明示的に分離し、モード比周波数ミスマッチを解消する。
  論文  参考訳（メタデータ） (2025-03-25T15:04:53Z)
• Deep Fourier-embedded Network for RGB and Thermal Salient Object Detection [8.607385112274882]
  深層学習は、RGB画像と熱画像(RGB-T画像)を併用したサルエント物体検出(SOD)を大幅に改善した。 既存のディープラーニングベースのRGB-T SODモデルには2つの大きな制限がある。 本稿では,DFENet(Deep Fourier-Embedded Network)という,純粋なフーリエ変換モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-27T14:55:16Z)
• Adaptive Frequency Learning in Two-branch Face Forgery Detection [66.91715092251258]
  本稿では、AFDと呼ばれる2分岐検出フレームワークにおいて、周波数情報を適応的に学習する手法を提案する。 我々は、固定周波数変換からネットワークを解放し、データおよびタスク依存の変換層でより良いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-27T14:25:52Z)
• Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
  本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。 実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。 ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
  論文  参考訳（メタデータ） (2021-03-15T12:54:26Z)
• Conditioning Trick for Training Stable GANs [70.15099665710336]
  本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。 我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
  論文  参考訳（メタデータ） (2020-10-12T16:50:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。