去年的时候，把这个数据集的Vaihingen集成功做到了sota，关于这个数据集的介绍可以参考我之前写的文档，http://blog.yannx.me/deep-learning/25/isprs-benchmark-semseg-research/。
基于自己写的RSegNet框架设计了一个CNN网络，在这个数据集表现很不错，Overall accuracy达到了91.7，mean F1-Score达到了90.96。最近读到了中科院电子所的一篇文章《HMANet: Hybrid Multiple Attention Network for Semantic Segmentation in Aerial Images》https://arxiv.org/abs/2001.02870。这篇文章也对该数据集进行了研究。该文章中给出的精度，OA为91.44，mean F1为90.96。两项指标中，我的OA超过了该文，mean F1为持平。总体来说我的网络性能还是比较超前的，在去年的时候就达到了sota水平。
我将网络结构方法已经写成文章，并投了ISPRS Journal of Photogrammetry and Remote Sensing期刊，目前正在审稿中。
在审稿期间，我发现我的文章有个致命问题，缺少了Potsdam的实验结果，于是最近我补充了Potsdam的实验。在该数据集上，OA达到了92.12，mean F1 达到了93.45。同样我对比了电子所的文章结果，他们的OA达到了92.21，mean F1则为93.20。同时我进行了按类别比较。
| imp_surf | building | low_veg | tree | car | mean F1 | OA | |
| HMANet | 93.85 | 97.56 | 88.65 | 89.12 | 96.84 | 93.20 | 92.21 |
| Ours | 94.13 | 97.62 | 88.73 | 89.68 | 97.10 | 93.45 | 92.12 |
除了OA低了0.09外，其他指标均已达到sota，我已将我的结果上传到了http://research.yangxuan.me/isprs/potsdam/radi/index.html。评价程序是使用的Markus Gerke教授在FTP服务器提供的评价程序，网页是由该程序生成并合并起来的。mean F1指标更看重所有类别均达到最优，OA则对占比不高的类别不太公平，因此mean F1超过了之前的sota 0.25，可以认为本实验已经达到了新的sota。
我也将结果与ISPRS Potsdam官方结果评分名单进行了比较。
官方列表位于http://www2.isprs.org/commissions/comm2/wg4/potsdam-2d-semantic-labeling.html。
我根据OA指标制作了一个排名表，取了OA大于等于90的结果。http://research.yangxuan.me/isprs/potsdam/
实验结果我都汇总到了以下网页中，http://research.yangxuan.me/isprs/
总体来说，我的方法在Vaihingen与Potsdam数据集上均已达到了sota，以该方法写的论文以提交到ISPRS期刊，希望可以顺利接收吧。接收之后，我会共享文章到arXiv，并会写一篇技术文档具体讲解网络结构。后续与大家一起讨论。
Yannx
2020年6月20日