論文の概要: BiCoR-Seg: Bidirectional Co-Refinement Framework for High-Resolution Remote Sensing Image Segmentation

• arxiv url: http://arxiv.org/abs/2512.20255v1
• Date: Tue, 23 Dec 2025 11:13:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.839526
• Title: BiCoR-Seg: Bidirectional Co-Refinement Framework for High-Resolution Remote Sensing Image Segmentation
• Title（参考訳）: BiCoR-Seg:高分解能リモートセンシング画像分割のための双方向コリファインメントフレームワーク
• Authors: Jinghao Shi, Jianing Song,
• Abstract要約: 高分解能リモートセンシング画像セマンティックセマンティックセグメンテーション(HRSS)は、地球観測の分野では基本的だが重要な課題である。 既存のアプローチは、抽象的で差別的な意味知識をピクセルレベルの特徴学習に効果的に注入するのに苦労することが多い。 これらの課題に対処するために,HRSS(Bidirect Co-Refinement Framework for HRSS)を提案する。 BiCoR-Segは、より強力な解釈性を提供しながら、優れたセグメンテーション性能を達成する。
• 参考スコア（独自算出の注目度）: 1.041822471542326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-resolution remote sensing image semantic segmentation (HRSS) is a fundamental yet critical task in the field of Earth observation. However, it has long faced the challenges of high inter-class similarity and large intra-class variability. Existing approaches often struggle to effectively inject abstract yet strongly discriminative semantic knowledge into pixel-level feature learning, leading to blurred boundaries and class confusion in complex scenes. To address these challenges, we propose Bidirectional Co-Refinement Framework for HRSS (BiCoR-Seg). Specifically, we design a Heatmap-driven Bidirectional Information Synergy Module (HBIS), which establishes a bidirectional information flow between feature maps and class embeddings by generating class-level heatmaps. Based on HBIS, we further introduce a hierarchical supervision strategy, where the interpretable heatmaps generated by each HBIS module are directly utilized as low-resolution segmentation predictions for supervision, thereby enhancing the discriminative capacity of shallow features. In addition, to further improve the discriminability of the embedding representations, we propose a cross-layer class embedding Fisher Discriminative Loss to enforce intra-class compactness and enlarge inter-class separability. Extensive experiments on the LoveDA, Vaihingen, and Potsdam datasets demonstrate that BiCoR-Seg achieves outstanding segmentation performance while offering stronger interpretability. The released code is available at https://github.com/ShiJinghao566/BiCoR-Seg.
• Abstract（参考訳）: 高分解能リモートセンシング画像セマンティックセマンティックセグメンテーション(HRSS)は、地球観測の分野では基本的だが重要な課題である。 しかし、クラス間の類似度が高いこととクラス間の大きなばらつきという課題に長年直面してきた。 既存のアプローチは、抽象的かつ強力な差別的な意味知識をピクセルレベルの特徴学習に効果的に注入するのに苦労することが多く、複雑な場面では境界がぼやけ、クラスが混乱する。 これらの課題に対処するため,HRSS(BiCoR-Seg)のための双方向コリファインメントフレームワークを提案する。 具体的には,HBIS(Heatmap-driven Bidirectional Information Synergy Module)を設計し,クラスレベルのヒートマップを生成することにより,特徴マップとクラス埋め込みの間の双方向情報フローを確立する。 さらに,HBISに基づいて,各HBISモジュールが生成する解釈可能なヒートマップを低分解能セグメンテーション予測として直接利用し,浅い特徴の識別能力を向上する階層型監視戦略を導入する。 さらに, 組込み表現の識別性をさらに向上するために, クラス内コンパクト化とクラス間分離性の拡大を図るために, フィッシャー識別損失を埋め込んだ層間クラスを提案する。 LoveDA、Vayhingen、Potsdamのデータセットに関する大規模な実験は、BiCoR-Segがより強力な解釈性を提供しながら、優れたセグメンテーション性能を達成することを示した。 リリースされたコードはhttps://github.com/ShiJinghao566/BiCoR-Segで公開されている。

関連論文リスト

• LPD: Learnable Prototypes with Diversity Regularization for Weakly Supervised Histopathology Segmentation [17.25487101903999]
  病理組織学における弱制御セマンティックセグメンテーション(WSSS)は、クラス間同質性、クラス内異質性、CAM誘発領域収縮によって阻害される。 クラスタフリーで一段階の学習可能プロトタイプフレームワークを提案する。 提案手法はBCSS-WSSS上でのSOTA(State-of-the-art)性能を実現し,mIoUとmDiceの先行手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-12-05T17:59:16Z)
• DSAGL: Dual-Stream Attention-Guided Learning for Weakly Supervised Whole Slide Image Classification [5.260725801393189]
  超高解像度でリッチなセマンティックな内容のため,WSIは癌診断に重要である。 DSAGL(Dual-Stream Attention-Guided Learning, DSAGL)は、教師/学生のアーキテクチャと2重ストリーム設計を組み合わせた、弱教師付き分類フレームワークである。
  論文  参考訳（メタデータ） (2025-05-29T11:07:16Z)
• When Segmentation Meets Hyperspectral Image: New Paradigm for Hyperspectral Image Classification [4.179738334055251]
  ハイパースペクトル画像(HSI)分類は、リモートセンシングの基盤であり、豊富なスペクトル情報を通じて正確な材料と土地被覆の識別を可能にする。 ディープラーニングはこのタスクに大きな進歩をもたらしたが、小さなパッチベースの分類器は進歩の90%以上を占めており、制限に直面している。 本研究では, HSI分類のための新しいパラダイムとベースラインであるHSIsegを提案し, これらの課題を克服するために, 分割手法と新しい動的シフト地域変換器(DSRT)を組み合わせる。
  論文  参考訳（メタデータ） (2025-02-18T05:04:29Z)
• Semi-supervised Semantic Segmentation for Remote Sensing Images via Multi-scale Uncertainty Consistency and Cross-Teacher-Student Attention [59.19580789952102]
  本稿では,RS画像セマンティックセグメンテーションタスクのための,新しい半教師付きマルチスケール不確かさとクロスTeacher-Student Attention(MUCA)モデルを提案する。 MUCAは、マルチスケールの不確実性整合正則化を導入することにより、ネットワークの異なる層における特徴写像間の整合性を制限する。 MUCAは学生ネットワークの誘導にクロス教師・学生の注意機構を使用し、学生ネットワークにより差別的な特徴表現を構築するよう誘導する。
  論文  参考訳（メタデータ） (2025-01-18T11:57:20Z)
• Auxiliary Tasks Enhanced Dual-affinity Learning for Weakly Supervised Semantic Segmentation [79.05949524349005]
  AuxSegNet+は、サリエンシマップから豊富な情報を探索する弱教師付き補助学習フレームワークである。 また,サリエンシとセグメンテーションの特徴マップから画素レベルの親和性を学習するためのクロスタスク親和性学習機構を提案する。
  論文  参考訳（メタデータ） (2024-03-02T10:03:21Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• High-resolution Depth Maps Imaging via Attention-based Hierarchical Multi-modal Fusion [84.24973877109181]
  誘導DSRのための新しい注意に基づく階層型マルチモーダル融合ネットワークを提案する。 本手法は,再現精度,動作速度,メモリ効率の点で最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:28:33Z)
• Hybrid Multiple Attention Network for Semantic Segmentation in Aerial Images [24.35779077001839]
  グローバルな相関関係を適応的に捉えるために,Hybrid Multiple Attention Network (HMANet) という新しいアテンションベースのフレームワークを提案する。 本稿では,機能的冗長性を低減し,自己注意機構の効率を向上させるため,単純で効果的な領域シャッフルアテンション(RSA)モジュールを提案する。
  論文  参考訳（メタデータ） (2020-01-09T07:47:51Z)

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。