1. BaseInfo

2. Creative Q&A

1. 不确定性的概念，Sigmoid 后在 0.5 附近的 输出概率。uncertainty rank algorithm (URA) 。区分前景和背景。提出新模块 UAFM。
2. a prior information guide module (PIGM) 先验信息引导。

3. Concrete

3.1. Model

3.1.1. Input

3.1.2. Backbone

VGG-16 ： 第一个特征就使用 3x3 卷积做增强，其他层级特征用 a multibranch dilation convolution blocks (MBDC) ，最后再用 FPN 得到最终的特征。

3.1.3. Neck

3.1.4. Decoder

先使用 PIGM 来增强最高级别的特征。再用 UAFM 逐层消除不确定性。
PIGM 具体代码在 Uncertainty-aware-Network/geoseg/models/UANet.py 中的 class CGM 和 PSM


$Sigmoid(M)-0.5$
排了序.UAFM 的输入都是 2 个一个是前一个高级细粒特征得到的和对应的 encoder 提取的对应层级特征。
通过 URA 有一个前景的一个背景的。
前景和背景拼接再 1x1 卷积。以此类推。

3.1.5. Loss

BCE

3.2. Training

PyTorch 1.8.1 (CUDA 11.1)
AdamW
不同数据集的参数设置不一。

3.2.1. Resource

1 x 3090

3.2.2 Dataset

the WHU building dataset,
the Massachusetts building dataset,
the Inria aerial image dataset

3.3. Eval

intersection over union (IoU), F1 score (F1), precision, and recall

3.4. Ablation

1. UAFM
2. PIGM 算辅助的。
3. 为每个级别的不确定性分配不同的权重可以在一定程度上解决不确定性问题。我们还发现，不确定度高的像素权重需要显著高于不确定度低的像素
4. PIGM 的计算开销大。

4. Reference

5. Additional

Introduction 部分的 Backbone 部分写作可借鉴。
是 2024 IGRASS 双赛道冠军。
消融实验是 6 个部分，感兴趣的可以仔细看看。