sstary/SSRS

解决的问题

本项目提供了多种用于遥感图像语义分割的深度学习模型的 PyTorch 实现。解决了在卫星或航空图像中准确识别和分类像素的挑战，支持土地覆盖制图和环境监测等任务。

工作原理

该仓库将方法组织为三种主要技术路径：

• 单模态分割：使用 DeepKANSeg 和 RS^3Mamba（一种视觉状态空间模型）等专用架构处理单一来源图像。
• 无监督域适应（UDA）：实现基于 GAN 的模型（GLGAN、MBATA_GAN），帮助模型在不同地理区域或传感器之间泛化，而无需为每个新区域提供标注数据。
• 多模态融合：结合来自不同传感器或模态的数据（如 MFNet、FTransUNet），通过跨模态整合提升分割精度。

适用人群

主要面向从事遥感、地理空间人工智能和计算机视觉的研究人员与工程师，特别是专注于语义分割和域适应的群体。

亮点

• 丰富的模型库：包含大量近期研究论文（IEEE TGRS、JSTARS、GRSL）的 PyTorch 实现。
• 前沿架构：实现了包括基于 Mamba 的视觉状态空间模型和柯尔莫戈洛夫-阿诺德网络（KAN）在内的尖端技术。
• 域适应支持：提供无监督域适应工具，以应对不同遥感数据集之间的数据分布偏移问题。
• 实用脚本：包含图像分割、合并及损失曲线可视化等辅助脚本。