来源：公众号“遥感与深度学习“原文链接：https://mp\.weixin\.qq\.com/s/2bONrB7za70sCN9b43H\-ig?scene=1&click\_id=34
题目：F2Net: A Frequency-Fused Network for Ultra-High Resolution Remote Sensing Segmentation
会议： The IEEE/CVF Conference on Computer Vision and Pattern Recognition 2026
论文： https://arxiv\.org/abs/2506\.07847
数据： DeepGlobe、Inria Aerial
年份： 2026 (本篇基于2025年6月arxiv版)
单位： 悉尼大学、阿德莱德大学、清华大学、埃迪斯科文大学
CVPR2026 遥感AI方向合集：CVPR2026
创新点
背景
超高分辨率（UHR）遥感图像语义分割在城市规划、环境监测等领域具有重要应用价值，但其极大的图像尺寸给现有分割网络带来严峻的计算挑战。传统方法通常采用下采样或裁块两种策略适配网络输入，前者丢失细粒度边界细节，后者破坏全局上下文一致性。
为此，学界提出多分支架构（如 GLNet、ISDNet）以同时保留局部细节与全局语义，但这类方法存在两个核心问题：一是分支内部计算效率低（如反复裁块推理），二是多分支并行训练引发梯度竞争，导致收敛不稳定与特征对齐困难。本文从频率域视角出发，通过将图像分解为高低频分量并为各分量设计专属分支，同时引入专用损失函数，系统性地解决上述问题。
数据
DeepGlobe
Inria Aerial
方法
自适应频率分解（AFD）
高频分支
低频分支
混合频率融合模块（HFF）
跨频率损失函数
CFAL
CFBL
结果与分析
F2Net 在 DeepGlobe 和 Inria Aerial 两个基准上均达到当前最优性能，相比已有最佳 UHR 分割方法在 mIoU 上取得了显著提升。消融实验进一步验证了各分支、融合模块及损失函数的独立贡献，以及三者协同带来的性能增益。
[
](https://vip.yanxishe.com/?from=leiphonearticle)
原文链接: https://www.leiphone.com/category/ai/7BQKgVhVXks7fqa7.html
