BriefGPT - AI 论文速递
·
LEFormer：一种用于从遥感图像中准确提取湖泊的混合卷积神经网络 - Transformer 架构
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了一种基于Transformer框架的半监督方法TreeFormer，通过金字塔表示模块、特征融合和树密度回归模块建立多尺度特征表示，通过图像解码器实现对树的数量统计和密度估计，降低了标注成本。实验结果表明，该方法在三个数据集上超越了当前半监督方法的水平，并且使用相同数量的标注图像超越了全监督方法。
🎯
关键要点
- 提出了一种基于Transformer框架的半监督方法TreeFormer。
- 采用金字塔表示模块、上下文关注的特征融合和树密度回归模块建立多尺度特征表示。
- 通过图像解码器实现树的数量统计和密度估计，降低标注成本。
- 在训练过程中使用未标注图像和局部树密度的连贯性损失及局部树计数排名损失。
- 使用Tree counter令牌规范网络计算标注和未标注图像的全局树计数。
- 在Jiangsu、Yosemite和KCL-London数据集上进行实验，结果超越当前半监督方法的水平。
- 使用相同数量的标注图像超越全监督方法。
➡️
