🔥 今日值得一读
遥感分割边界模糊？CRISP用30M参数让mIoU一致暴涨，代码已开源！
CRISP: Calibration-Aware Visual State Space Duality for Remote Sensing Semantic Segmentation
👨💼 主理人解读 · 为什么值得关注
解决VSSD在遥感分割中边界模糊问题，通过校准算子恢复局部对比度，适合高分辨率遥感图像处理。
📖 AI 总结
该论文提出了一种名为CRISP的校准框架，用于改进遥感语义分割中的视觉状态空间模型（VSSD）。研究发现，VSSD在压缩空间上下文时过度平滑了边界响应，导致分割精度下降。CRISP包含两个核心组件：一是Duality Calibration Operator（DCO），通过残差注入和频率校准恢复局部对比度和边界响应，同时保持模型的线性复杂度；二是Orthogonal Multi-Prototype（OMP）分割头，为每个类别分配多个正交约束的原型，以更好地建模遥感图像中较大的类内差异。在Potsdam、Vaihingen和LoveDA三个数据集上的实验表明，CRISP在约3000万参数规模下，平均F1分数和mIoU均取得一致提升，性能与现有最先进方法相当。该工作已被ECCV 2026接收，代码已公开。
🔑 关键词速览
| Visual State Space Duality (VSSD) | 一种基于状态空间模型的视觉架构，通过全局聚合实现线性复杂度，但可能抑制高频细节。 |
| Duality Calibration Operator (DCO) | CRISP的核心组件，通过残差注入和频率校准恢复局部对比度和边界响应。 |
| Orthogonal Multi-Prototype (OMP) head | 一种分类头，为每个类别分配多个正交约束的原型，以处理类内方差。 |
| Remote sensing semantic segmentation | 遥感图像中逐像素分类的任务，用于识别地物类别，如建筑、植被等。 |
| Linear complexity | 算法复杂度随输入大小线性增长，相比Transformer的二次复杂度更高效。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅