論文の概要: Semantic-Guided Fusion Network for Multi-Source Remote Sensing Image Classification

• arxiv url: http://arxiv.org/abs/2609.27854v1
• Date: Wed, 16 Sep 2026 21:50:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 07:36:07.779068
• Title: Semantic-Guided Fusion Network for Multi-Source Remote Sensing Image Classification
• Title（参考訳）: マルチソースリモートセンシング画像分類のための意味誘導型フュージョンネットワーク
• Abstract要約: マルチソースリモートセンシング画像分類のためのセマンティックガイド型フュージョンネットワーク(SGFNet)を提案する。 SMCBはコンテキスト関係に応じて意味認識型畳み込みカーネルを動的に生成するように設計されている。 FMFBは周波数領域で相互モード間相互作用を行うために導入された。
• 参考スコア（独自算出の注目度）: 42.943666137803184
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-source remote sensing image classification has attracted increasing attention due to the complementary spectral, structural, and geometric information. However, existing methods still suffer from two limitations: insufficient semantic contextual modeling and unreliable feature fusion caused by slight spatial misalignment. To address these issues, we propose a Semantic-Guided Fusion Network (SGFNet) for multi-source remote sensing image classification. Specifically, the Semantic Mixing Convolution Block (SMCB) is designed to dynamically generate semantic-aware convolution kernels according to contextual relationships among feature representations. In addition, the Frequency Modulated Fusion Block (FMFB) is introduced to perform cross-modal interaction in the frequency domain, which effectively alleviates the influence of slight spatial misalignment and improves complementary information fusion. Extensive experiments conducted on the Augsburg and Houston 2018 datasets demonstrate that the proposed SGFNet consistently outperforms several state-of-the-art methods. The codes are publicly available at https://github.com/oucailab/SGFNet .
• Abstract（参考訳）: 多ソースリモートセンシング画像分類は、相補的なスペクトル、構造、幾何学的情報により注目されている。 しかし、既存の手法には、意味的文脈モデリングが不十分なことと、空間的ミスアライメントが原因で生じる信頼できない特徴融合という2つの制限がある。 これらの課題に対処するために,マルチソースリモートセンシング画像分類のためのセマンティックガイド型フュージョンネットワーク(SGFNet)を提案する。 具体的には、セマンティック・ミキシング・コンボリューション・ブロック(SMCB)は、特徴表現間の文脈的関係に応じて、セマンティック・アウェア・コンボリューション・カーネルを動的に生成するように設計されている。 さらに、周波数変調核融合ブロック(FMFB)を導入し、周波数領域におけるクロスモーダル相互作用を行い、空間的不整合の影響を効果的に軽減し、相補的な情報融合を改善する。 AugsburgとHouston 2018データセットで実施された大規模な実験は、提案されたSGFNetが、いくつかの最先端メソッドを一貫して上回っていることを示している。 コードはhttps://github.com/oucailab/SGFNetで公開されている。

関連論文リスト

• CtrlFuse: Mask-Prompt Guided Controllable Infrared and Visible Image Fusion [51.060328159429154]
  赤外線と可視画像の融合は、相補的なモダリティを組み合わせることで、全天候の知覚可能な画像を生成する。 我々は,マスクプロンプトによって誘導されるインタラクティブな動的融合を可能にする,制御可能な画像融合フレームワークであるCtrlFuseを提案する。 実験では、融合制御性とセグメンテーション精度の両立を実証し、適応されたタスク分岐は元のセグメンテーションモデルよりも優れていた。
  論文  参考訳（メタデータ） (2026-01-12T13:36:48Z)
• Towards Unified Semantic and Controllable Image Fusion: A Diffusion Transformer Approach [99.80480649258557]
  DiTFuseは命令駆動のフレームワークで、単一のモデル内でセマンティクスを意識した融合を実行する。 パブリックなIVIF、MFF、MEFベンチマークの実験では、より優れた量的および質的な性能、よりシャープなテクスチャ、より優れたセマンティック保持が確認されている。
  論文  参考訳（メタデータ） (2025-12-08T05:04:54Z)
• FS-Diff: Semantic guidance and clarity-aware simultaneous multimodal image fusion and super-resolution [19.183004285219184]
  軍事偵察や長距離検知といった現実世界の応用では、マルチモーダル画像のターゲット構造と背景構造が容易に破損する。 FS-Diff, 意味指導, 明快な関節画像融合および超解像法を提案する。
  論文  参考訳（メタデータ） (2025-09-11T13:10:22Z)
• Graph-Based Uncertainty Modeling and Multimodal Fusion for Salient Object Detection [12.743278093269325]
  動的不確実性伝播とマルチモーダル協調推論ネットワーク(DUP-MCRNet)を提案する。 DUGCは空間意味距離に基づいて構築されたスパースグラフを通じて層間の不確実性を伝播するように設計されている。 MCFは学習可能なモダリティゲーティングウェイトを使用して、RGB、深さ、エッジの特徴の注意マップを重み付けする。
  論文  参考訳（メタデータ） (2025-08-28T04:31:48Z)
• Multimodal-Aware Fusion Network for Referring Remote Sensing Image Segmentation [7.992331117310217]
  リモートセンシング画像セグメンテーション(RRSIS)は、リモートセンシング画像セグメンテーションにおける新しい視覚課題である。 我々は,2つのモード間の微粒なアライメントと融合を実現するために,マルチモーダル・アウェア・フュージョン・ネットワーク(MAFN)を設計する。
  論文  参考訳（メタデータ） (2025-03-14T08:31:21Z)
• Mutual-Guided Dynamic Network for Image Fusion [51.615598671899335]
  画像融合のための新しい相互誘導動的ネットワーク(MGDN)を提案する。 5つのベンチマークデータセットによる実験結果から,提案手法は4つの画像融合タスクにおいて既存手法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） (2023-08-24T03:50:37Z)
• CDDFuse: Correlation-Driven Dual-Branch Feature Decomposition for Multi-Modality Image Fusion [138.40422469153145]
  本稿では,CDDFuse(Relationed-Driven Feature Decomposition Fusion)ネットワークを提案する。 近赤外可視画像融合や医用画像融合など,複数の融合タスクにおいてCDDFuseが有望な結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-11-26T02:40:28Z)

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。