Feb, 2018

Hydra：卷积神经网络地理空间土地分类集合

PDF
TL;DR本文介绍了 Hydra，一种用于地理空间土地分类的卷积神经网络集成方法。使用同种网络进行不同的数据增强、裁剪风格、不同权重的 fine-tuning，形成了一组代表 Hydra 头部的卷积神经网络，可以同时收敛到多个终点，从而降低了训练时间，并在 FMOW 和 NWPU-RESISC45 这两个数据集上取得了与先前研究相当的结果和最好的报道结果。
发现论文，激发创造
  • Hydra：用于模型蒸馏的集合多样性保持技术

    通过基于共享神经网络体的分布式方法 Hydra 来提取集合的多样性，分散集合的信息来提高模型收缩和泛化的性能.

    Jan, 2020

  • HydraPlus-Net：人行分析的注意力深层特征

    本研究提出了一种新的基于注意力机制的深度神经网络 HydraPlus-Net（HP-net），在行人属性识别和人物再识别两个任务上，该模型能够从低级到语义级别捕获多个注意点，并探索注意特征的多尺度选择性以丰富最终的特征表示。大量的实验结果证明了 HP-net 在各种数据集上优于现有的最先进方法。

    Sep, 2017

  • 用完全卷积网络对高分辨率航空影像进行密集语义标注

    本文介绍了一种应用深度卷积神经网络用于语义标签高分辨率遥感数据的方法，采用了全卷积网络和预训练卷积神经网络在卫星图像识别中得到了较好的应用效果。

    Jun, 2016

  • 利用卷积神经网络和集成学习进行自动化灾害图像分类

    构建和训练多个卷积神经网络 (CNN) 架构，利用堆叠 CNN 集成方法对地震、洪水、野火和火山等自然灾害图像进行分类，实现了 95% 的准确率和 F1 得分达到 0.96，并通过调节超参数优化单个模型的性能，同时通过将 CNN 和 ResNet 模型与 XGBoost 元模型相结合，提高了分类的整体准确性，展示了基于 CNN 的模型在自动化灾害图像分类中的有效性，为扩展这些技术以构建健壮的灾害响应、损伤评估和恢复管理系统打下了基础。

    Nov, 2023

  • 近距离和远程感知的统一模型

    本文提出了一种新型卷积神经网络架构，用于估计地理空间函数，并使用各种标签创建了一个大型数据集进行评估。

    Aug, 2017

  • 卷积神经网络在遥感图像土地利用分类中的应用

    本研究旨在探讨使用卷积神经网络对遥感场景进行语义分类的方法，通过采用 CaffeNet 和 GoogLeNet 架构，并进行多种不同的学习方式包括预训练网络的微调等，实验结果表明该方法在两个遥感数据集的性能表现都显著优于同类方法。

    Aug, 2015

  • 利用卷积神经网络在全球范围内进行城市区域的高分辨率土地覆盖制图

    从高分辨率图像和有限的带噪声标记数据中生成城市区域的七类土地覆盖图的方法，使用 UNet、Resnet 编码器的 UNet 和 Deeplab v3 + 编码器，结合不同的损失函数进行比较研究，并将模型预测拼接在一起生成高价值的土地覆盖图。

    May, 2020

  • 植物幼苗分类的深度卷积神经网络

    本研究使用深度学习技术中的卷积神经网络与传统算法来进行植物幼苗分类，以达到增加农作物产量、提高生产效率与自动化种植的目的。

    Nov, 2018

  • 基于 Hourglass 网络的图像定位

    本文提出了一种基于编码器 - 解码器卷积神经网络结构的相机姿态估计方法，通过单张 RGB 图像来确定相机的方向和位置，包括卷积、上卷积和回归，利用大规模分类数据的转移学习，研究表明该方法在不同光照条件、反射和运动模糊的数据上具有良好的性能表现，与其他仅仅使用测试帧序列的方法相比具有明显的优越性。

    Mar, 2017

  • PhytNet：定制植物数据的适应性卷积神经网络

    自动疾病分类、杂草分类和作物分类是农业未来中非常重要的一部分，通过计算机视觉进行自动化，然而现有的模型架构如 ResNet、EfficientNet 和 ConvNeXt 在类似项目的小规模专门数据集上常常表现不佳，我们通过数据采集和开发新的 CNN 架构 PhytNet 来填补这一空白，利用红外可可树图像的新数据集，展示 PhytNet 的发展并将其性能与现有架构进行比较，数据采集受到光谱分析数据的启发，该数据提供了有关可可树的光谱特性的有用见解，这些信息可以指导未来的数据采集和模型发展，鉴于可可树病害的多样性，因此选择可可树作为焦点物种是因为其病害存在较大的挑战，ResNet18 显示出一些过拟合迹象，而 EfficientNet 变体则显示出明显的过拟合迹象，相比之下，PhytNet 对相关特征具有良好的关注度，没有过拟合，而且计算成本异常低（1.19 GFLOPS），因此 PhytNet 是快速疾病或植物分类，或疾病症状的精确定位自主系统的有希望的候选方案。

    Nov, 2023