sstary/SSRS

解決的問題

本專案提供多種用於遙測影像語義分割的深度學習模型之 PyTorch 實作。解決衛星或航空影像中精確識別與分類像素的挑戰，支援土地覆蓋地圖製作與環境監測等任務。

工作原理

此倉儲將方法分為三種主要技術路徑：

• 單模態分割：使用 DeepKANSeg 和 RS^3Mamba（一種視覺狀態空間模型）等專用架構處理單一來源影像。
• 無監督域適應（UDA）：實作基於 GAN 的模型（GLGAN、MBATA_GAN），協助模型在不同地理區域或感測器之間泛化，而無需為每個新區域提供標註資料。
• 多模態融合：結合來自不同感測器或模態的資料（如 MFNet、FTransUNet），透過跨模態整合提升分割精確度。

適用對象

主要針對從事遙測、地理空間人工智慧與電腦視覺的研究人員與工程師，特別是專注於語義分割與域適應的群體。

亮點

• 豐富的模型庫：包含大量近期研究論文（IEEE TGRS、JSTARS、GRSL）的 PyTorch 實作。
• 前沿架構：實作包括基於 Mamba 的視覺狀態空間模型與柯爾莫戈洛夫-阿諾德網路（KAN）等尖端技術。
• 域適應支援：提供無監督域適應工具，以應對不同遙測資料集之間的資料分佈偏移問題。
• 實用腳本：包含影像分割、合併及損失曲線可視化等輔助腳本。