高分辨率遥感图像中交互建筑分割的增强自动质量评估网络
内容提要
该文综述深度学习图像分割研究，涵盖多种方法：RescueNet结合局部相关二值交叉熵损失同步分割建筑并评估损毁；多流注意力算法融合双骨干特征提升预测；Q-Segment实现传感器端1.9毫秒实时分割；边界感知网络用于显著与伪装目标分割；RMSIN处理遥感文本查询分割；Transformer盲图像质量评价引入注意力面板；两步智能系统检测遥感图像质量；密集连接解码器提升建筑分割效率；基准评估五种交互式分割方法，发现SAM在遥感中表现不佳而SimpleClick最优，并开发RSISeg工具；BiSeNet V2双分支实现高效实时语义分割。
延伸解读
交互式分割在遥感中的表现差异
文章通过基准评估发现，广受关注的SAM在遥感图像交互式分割中表现不佳，而SimpleClick基于点的方法始终优于其他方法。这提示读者，通用分割模型在特定领域（如遥感）可能因数据分布差异而失效，实际应用中需针对遥感数据微调或选择更合适的模型。
边缘部署的实时分割可行性
Q-Segment在IMX500平台上实现1.9毫秒推理和5.7毫焦耳能耗，展示了深度学习模型直接部署在低功耗传感器上的潜力。对于需要实时处理的遥感或医学图像分割场景，这种量化实时分割算法为边缘计算提供了参考，但文章仅评估了血管分割任务，其他任务的适用性需进一步验证。
建筑分割的损失函数与解码器改进
RescueNet采用局部相关二值交叉熵损失同步分割建筑并评估损毁，而密集连接解码器通过粗细特征融合提升分割效率。这些方法表明，针对建筑分割任务，损失函数设计和解码器结构优化能有效改善性能，但文章未提供跨数据集的统一对比，读者需结合具体场景评估其泛化能力。
Q&A
RescueNet 是如何同时进行建筑分割和损坏评估的？
RescueNet 是一个集成模型，采用局部相关的二进制交叉熵损失函数，能够端到端训练，同时分割建筑并评估破坏水平，性能优于现有方法，且在不同地理区域和灾难类型下具有通用性。
Q-Segment 在边缘设备上的性能如何？
Q-Segment 是一种量化实时分割算法，在 IMX500 平台上部署时，传感器内推理时间仅 1.9 毫秒，能耗仅 5.7 毫焦耳。在 CHASE 数据集上达到 97.25% 的二进制准确率和 96.97% 的 AUC，性能优于各平台 75 倍（相对于 ERFNet）。
RMSIN 如何处理遥感图像中的文本查询分割？
RMSIN 是旋转多尺度交互网络，包含内尺度交互模块（IIM）处理多尺度细节，跨尺度交互模块（CIM）一致整合细节，并采用适应性旋转卷积（ARC）考虑物体多样方向，在包含 17,402 个图像-标题-掩模三元组的数据集上表现优于现有最先进模型。
在遥感图像交互式分割中，哪种方法表现最好？
根据基准研究，SimpleClick 模型中基于点的方法在所有实验中始终优于其他方法（包括 SAM），而广为讨论的 SAM 在遥感图像中表现不佳。
RSISeg 工具是什么，它有什么特点？
RSISeg 是一个专用于遥感数据交互式分割的在线工具，采用性能良好的交互式模型并通过遥感数据微调，同时集成了 SAM 模型。与现有工具相比，它具有较强的交互性、可修改性和适应性。
BiSeNet V2 如何实现高效实时语义分割？
BiSeNet V2 通过双分支结构分别处理空间细节和分类语义：Detailed Branch 处理低级特征，Semantic Branch 处理高级特征，从而实现高效准确的实时语义分割。
