今天我们来聊聊近年被广泛关注的顶刊焦点：
可变形卷积+遥感。
在遥感图像中，可变形卷积在处理形变、区分目标与背景及跨场景尺度目标时，明显优于传统方法，因为它可以自适应调整采样位置，增强对形变目标的建模能力，从而
更有效地应对形变问题、提升目标检测的准确性。
更亮眼的是，可变形卷积拥有很高的
灵活性和适用性
，很容易就集成到现有的遥感图像处理框架中，无需对原有网络进行大幅修改或重新训练，从而显著提升处理效率，可以说为遥感任务提供了新的解决方案和性能提升，也给我们提供了更多的创新空间，是个写论文搞创新的好选择。
为了方便大家找idea，我这边整理了
9篇
最新的可变形卷积+遥感论文
，开源代码已附，强烈建议想发顶会顶刊的同学研读。
扫码添加小享，
回复“
卷积遥感
”
免费获取
全部论文+开源代码
Fourier-Deformable Convolution Network for Road Segmentation From Remote Sensing Images
方法：
论文提出了一种用于遥感图像道路分割的新型神经网络模型FDNet，结合了可变形卷积和傅里叶卷积的优点，通过引入自适应傅里叶卷积层和显著性感知变形卷积层，在复杂道路条件下实现对弱小和连续道路特征的有效捕捉，并通过拓扑约束损失函数提高了模型的分割性能。
创新点：
新增SD-Conv层，通过动态偏移机制提升细微道路特征提取。
自适应频率滤波器层增强全局结构特征提取，改善道路长程依赖捕获。
持久同调约束理论结合softDice损失，增强复杂道路条件下模型的连续性和准确性。
Dctnet: Hybrid Network Model Fusing with Multiscale Deformable Cnn and Transformer Structure for Road Extraction from Gaofen Satellite Remote Sensing Image
方法：
作者结合了可变形卷积和遥感技术的方法，用于从高分辨率的Gaofen卫星遥感图像中提取道路信息，提出了一个混合网络模型DCTNet，它结合了多尺度可变形卷积模块和Transformer结构，以提高道路提取的准确性和自动化水平。
创新点：
DCTNet融合CNN和Transformer，通过双分支编码器提升道路分割精确度。
多尺度可变形卷积模块增强模型对道路复杂形状的适应性。
Transformer模型和CNN特征融合，显著提升道路提取性能，IOU和OA分别达到86.5%和97.4%。
扫码添加小享，
回复“
