ECCVApr, 2018

一种面向空中场景解释和地理定位的多阶段多任务神经网络

PDF
TL;DR本文提出了一种新的多任务、多阶段神经网络，能够在单次前向传递中同时处理语义分割和基于视觉的航拍图像地理定位两个问题，并在卫星图像中实现商用 GPS 级别的本地化精度以及在 Inria Aerial Image Labeling 数据集和 Massachusetts Buildings 数据集上达到领先水平的分割效果。
semantic segmentationvision-based geolocalizationneural networkencoder-decodersatellite images
发现论文，激发创造
  • 利用航空参考图像进行广域图像地理定位

    本文旨在使用卷积神经网络来解决跨视角图像地理定位的问题，并介绍了用于地面图像和航拍图像的特征表示，并提出一种融合多个空间尺度提取的特征的网络架构，并通过实验表明其比现有方法更为优越。

    Oct, 2015

  • 基于深度神经网络的建筑轮廓分割多任务学习

    本文研究了高分辨率遥感卫星图像中像素级预测方法的挑战，提出了一种新的级联多任务损失来保留语义分割边界。结果表明，不需要额外的后处理步骤，我们的方法在 Inria 航空图像标注数据集上优于现有技术 8.3％。

    Sep, 2017

  • 从航空图像预测地面场景布局

    本文介绍了一种从航拍图像中提取语义特征的新策略，同时展示了通过该策略在地址估计和语义分割任务上的性能优于两种基线方法。

    Dec, 2016

  • UAVSNet：一种基于编码器 - 解码器架构的无人机图像分割网络

    本文提出一种基于变压器的编码器 - 解码器框架 ——UAVSNet，旨在解决利用无人机图像进行城市场景理解的语义分割问题。我们展示了这种方法在无人机图像数据集上的有效性。

    Feb, 2023

  • 多模态和多尺度深度网络在地球观测数据的语义分割中的应用

    本文研究了使用深度完全卷积神经网络（DFCNN）对地观测图像进行像素级场景标记。作者使用了变种的 SegNet 架构对城市区域的遥感数据进行训练，并研究了不同的准确语义分割方法。作者提出以下贡献：1）作者有效地将 DFCNN 从常规日常图像转移到遥感图像领域；2）作者引入了一个多核卷积层以便于对多个尺度上的预测进行快速聚合；3）作者使用残差校正对异构传感器（光学和激光）的数据进行融合。所提出的方法在 ISPRS Vaihingen 2D 语义标记数据集上改进了现有技术的准确率。

    Sep, 2016

  • 高度和语义的航空影像多任务学习

    本文研究了利用神经网络框架综合分析航空或卫星图像，并展示了其在多任务学习和模型预测不确定性方面的优势。

    Nov, 2019

  • 全连接深层结构网络

    该研究提出了一种单一联合训练算法，能够有效地应用于语义图像分割任务，并在具有挑战性的 PASCAL VOC 2012 数据集上呈现鼓舞人心的结果。

    Mar, 2015

  • 一种用于航拍场景分类的多级复合卷积神经网络

    本文提出了一种名为 MSDF-Net 的轻量级 ConvNet，采用残留稠密双工融合策略加强特征传播，同时最小化使用参数的数量，通过出图表现显示，MSDF-Net 在 AID 数据集上仅使用 0.49M 参数，就能实现高达 92.96% 的准确性，相较于最近的最先进方法仅使用了 20% 的参数。

    Mar, 2022

  • 无人地面车辆定位的高效神经映射

    通过训练神经网络来实现全球本地化并应用于实际机器人场景，在二维平面中限制问题并大幅增加训练数据，可以得到紧凑的模型，实现了数厘米的定位精度，并在无人地面车上应用进行路径导航任务。

    Nov, 2022

  • 从在线地图学习航空图像分割

    本文研究了使用卫星图像语义分割实现自动生成地图的问题。通过使用不同的训练数据集进行对比分析，文章指出采用大规模公开标注来取代部分手动标注可以显著降低成本且不影响语义分割效果

    Jul, 2017