論文の概要: FSDENet: A Frequency and Spatial Domains based Detail Enhancement Network for Remote Sensing Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2510.00059v1
- Date: Mon, 29 Sep 2025 04:09:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-03 16:59:20.147914
- Title: FSDENet: A Frequency and Spatial Domains based Detail Enhancement Network for Remote Sensing Semantic Segmentation
- Title（参考訳）: FSDENet:リモートセンシングセマンティックセマンティックセグメンテーションのための周波数領域と空間領域に基づく詳細拡張ネットワーク
- Authors: Jiahao Fu, Yinfeng Yu, Liejun Wang,
- Abstract要約: 周波数領域と空間領域に基づく詳細拡張ネットワーク(FSDENet)を提案する。
本フレームワークでは,マルチスケールな空間的特徴と細かな意味的詳細を抽出するために,空間処理手法を用いている。
FSDENetは、広く採用されている4つのデータセット上で、最先端(SOTA)のパフォーマンスを達成する。
- 参考スコア（独自算出の注目度）: 19.29677373677975
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: To fully leverage spatial information for remote sensing image segmentation and address semantic edge ambiguities caused by grayscale variations (e.g., shadows and low-contrast regions), we propose the Frequency and Spatial Domains based Detail Enhancement Network (FSDENet). Our framework employs spatial processing methods to extract rich multi-scale spatial features and fine-grained semantic details. By effectively integrating global and frequency-domain information through the Fast Fourier Transform (FFT) in global mappings, the model's capability to discern global representations under grayscale variations is significantly strengthened. Additionally, we utilize Haar wavelet transform to decompose features into high- and low-frequency components, leveraging their distinct sensitivity to edge information to refine boundary segmentation. The model achieves dual-domain synergy by integrating spatial granularity with frequency-domain edge sensitivity, substantially improving segmentation accuracy in boundary regions and grayscale transition zones. Comprehensive experimental results demonstrate that FSDENet achieves state-of-the-art (SOTA) performance on four widely adopted datasets: LoveDA, Vaihingen, Potsdam, and iSAID.
- Abstract（参考訳）: グレースケールの変動(例えば影や低コントラスト領域)による空間情報のリモートセンシング画像分割とアドレス意味エッジのあいまいさをフル活用するために,周波数・空間領域ベース詳細拡張ネットワーク(FSDENet)を提案する。
本フレームワークでは,マルチスケールな空間的特徴と細かな意味的詳細を抽出するために,空間処理手法を採用している。
グローバルマッピングにおいて,Fast Fourier Transform (FFT) を通じてグローバル領域情報と周波数領域情報を効果的に統合することにより,グレースケール変動下でのグローバル表現を識別する能力を大幅に強化する。
さらに,Haarウェーブレット変換を用いて特徴を高周波数成分と低周波数成分に分解し,エッジ情報に対する感度を利用して境界セグメンテーションを洗練する。
このモデルは、空間的粒度と周波数領域のエッジ感度を統合し、境界領域とグレースケール遷移ゾーンのセグメンテーション精度を大幅に向上することで、二重ドメインのシナジーを実現する。
総合的な実験結果から、FSDENetは、LoveDA、Vayhingen、Potsdam、iSAIDの4つの広く採用されているデータセット上で、最先端(SOTA)のパフォーマンスを達成することが示された。
関連論文リスト
- GCRPNet: Graph-Enhanced Contextual and Regional Perception Network for Salient Object Detection in Optical Remote Sensing Images [68.33481681452675]
本稿では,GCRPNet(Graph-enhanced contextual and Regional Recognition Network)を提案する。
これはMambaアーキテクチャの上に構築され、長距離依存関係を同時にキャプチャし、地域的特徴表現を強化する。
マルチスケールの畳み込みによって処理される特徴マップに対して適応的なパッチスキャンを行い、リッチなローカル領域情報をキャプチャする。
論文 参考訳（メタデータ） (2025-08-14T11:31:43Z) - Wavelet-Guided Dual-Frequency Encoding for Remote Sensing Change Detection [67.84730634802204]
リモートセンシング画像の変化検出は,自然災害監視,都市拡張追跡,インフラ管理など,さまざまな工学的応用において重要な役割を担っている。
既存のほとんどの手法は空間領域モデリングに依存しており、特徴表現の限られた多様性は微妙な変化領域の検出を妨げる。
本研究では、特にウェーブレット領域における周波数領域の特徴モデリングが周波数成分の微細な違いを増幅し、空間領域において捉えにくいエッジ変化の知覚を高めることを観察する。
論文 参考訳（メタデータ） (2025-08-07T11:14:16Z) - United Domain Cognition Network for Salient Object Detection in Optical Remote Sensing Images [21.76732661032257]
周波数領域と空間領域のグローバルローカル情報を共同で探索する新しい統一ドメイン認知ネットワーク(UDCNet)を提案する。
実験結果から提案したUDCNetが24種類の最先端モデルよりも優れていることが示された。
論文 参考訳（メタデータ） (2024-11-11T04:12:27Z) - S4DL: Shift-sensitive Spatial-Spectral Disentangling Learning for Hyperspectral Image Unsupervised Domain Adaptation [73.90209847296839]
ハイパースペクトル画像(HSI)分類において広く研究されている教師なし領域適応技術は、ラベル付きソースドメインデータとラベルなしターゲットドメインデータを使用することを目的としている。
シフト感応型空間スペクトル遠方学習(S4DL)手法を提案する。
いくつかのクロスステージなHSIデータセットの実験は、S4DLが最先端のUDA法よりも優れていることを一貫して検証した。
論文 参考訳（メタデータ） (2024-08-11T15:58:24Z) - SFFNet: A Wavelet-Based Spatial and Frequency Domain Fusion Network for Remote Sensing Segmentation [9.22384870426709]
本稿ではSFFNet(Spatial and Frequency Domain Fusion Network)フレームワークを提案する。
第1段階は空間的手法を用いて特徴を抽出し、十分な空間的詳細と意味情報を持つ特徴を得る。
第2段階は、これらの特徴を空間領域と周波数領域の両方にマッピングする。
SFFNetはmIoUの点で優れた性能を示し、それぞれ84.80%と87.73%に達した。
論文 参考訳（メタデータ） (2024-05-03T10:47:56Z) - Decomposition-based Unsupervised Domain Adaptation for Remote Sensing Image Semantic Segmentation [30.606689882397223]
非教師なし領域適応(UDA)技術は、地球科学のセマンティックセグメンテーションに不可欠である。
高レベルの特徴空間におけるドメインアライメントに焦点を当てた既存のUDA手法の多くは、局所的な空間的詳細とグローバルな文脈的意味論を同時に維持するのに苦労している。
ドメイン不変表現学習を導くための新しい分解手法を提案する。
論文 参考訳（メタデータ） (2024-04-06T07:13:49Z) - Universal-RCNN: Universal Object Detector via Transferable Graph R-CNN [117.80737222754306]
我々はUniversal-RCNNと呼ばれる新しいユニバーサルオブジェクト検出器を提案する。
まず、すべてのカテゴリの高レベルなセマンティック表現を統合することで、グローバルなセマンティックプールを生成する。
ドメイン内推論モジュールは、空間認識GCNによってガイドされる1つのデータセット内のスパースグラフ表現を学習し、伝播する。
論文 参考訳（メタデータ） (2020-02-18T07:57:45Z)
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。