ISPRS | 南京航空航天大学薛朝辉团队提出SimpFit,实现缺失模态下跨域遥感分类新突破!

图 6.SZW2QAD 数据集可视化。

图 7.C2Seg-AB 数据集（AUG2BER）可视化。

图 8.不同学习率设置下，SimpFit 的 mIoU 随训练轮次的变化曲线。(a) SZW2QAD 数据集结果；(b) AUG2BER 数据集结果。

图 9.RWCA 中不同预处理通道数与窗口大小的超参数分析。曲面图表示 mIoU，热力图表示 OA。(a)、(b) SZW2QAD 数据集结果；(c)、(d) AUG2BER 数据集结果。

图 10.全模态条件下不同方法在 AUG2BER 数据集上的分类结果图。

图 11.全模态条件下不同方法在 SZW2QAD 数据集上的分类结果图。

图 12.不同源域模态组合下 SimpFit 与 DGDNet 的性能对比（mIoU，%）。

图 13.不同地表覆盖类别的 Grad-CAM 可视化。前三列为本文提出的模态间融合框架结果，包括差异特征、公共特征及其融合表示；其余列为模态内特征提取与融合结果。

图 14.SZW2QAD 数据集上，不同模态缺失方法的深度语义特征可分性与光谱角相似度对比。

图 15.不同方法在 SZW2QAD 数据集上的效率对比。左上角表示浮点运算量更小、融合质量更高；气泡颜色表示模型在硬件上部署的内存占用。

图 16.跨湿地与跨城市场景下，多种模态缺失条件中各类别 IoU 相对全模态基线的性能比值。