本研究提出了一种深度学习框架，显著提高了在WorldView-3高分辨率RGB图像中建筑物分割的准确率，达到96.5%。

RescueNet模型通过局部相关的二进制交叉熵损失函数，实现了建筑物分割和破坏评估，表现优于现有方法。结合遥感技术和深度学习，自动化评估建筑损坏，并利用无人机提升救援物资运送的安全性。此外，研究探讨了可解释人工智能在遥感中的应用，并提出了新数据集RS-GPT4V，以增强模型的泛化性和推理能力。

本文介绍了一种基于机器学习的建筑物分割方法，结合完全卷积网络（FCN）和生成对抗网络（GAN），有效提高遥感图像中建筑物分割的准确性，并优化建筑物轮廓提取，取得了优异的实验结果。

该论文提出了一种结合深度学习和主动轮廓框架的交互式边界提取方法，利用卷积神经网络训练向量预测器，优化医学图像和建筑物分割的准确性。研究表明，该方法在多个数据集上表现优异，且计算资源使用高效。

本文提出了一种透明且准确的基于插槽注意力的分类器SCOUTER，强调可解释性和视觉解释。研究结合人类注意力知识，增强计算机视觉模型的合理性，并通过建立XAI基准推动视觉解释技术的发展。此外，提出了一种基于熵的新评估方法，以提高高分辨率卫星图像中建筑物分割的透明度和可解释性。

本文研究高分辨率卫星图像中的建筑物分割，提出了一种基于熵的新评估方法，以提高模型的透明度和可解释性。同时，介绍了改进的 VRISE 方法，增强了解释准确性，并探讨了 XAI 在语义图像分割中的应用及相关挑战和未来方向。

本文综述可解释人工智能（XAI）在计算机视觉与遥感图像分割中的应用，重点研究高分辨率卫星图像中的建筑物分割，并提出基于熵衡量模型不确定性的新XAI评估指标。文章还介绍了视觉解释基准、AS-XAI自监督语义解释框架、表面裂纹分割监测、融合人类注意力的显著性方法、SeCAM类激活映射，以及医学影像中的XAI应用与评估方法。

本文提出了一种基于熵的新的XAI评估方法和指标，用于提高高分辨率卫星图像中建筑物分割的透明度和可解释性。通过适应最近的XAI分类算法并将其用于多类别图像分割，为图像分割领域的XAI研究和遥感应用铺平道路。