基于轮廓的弱监督语义场景变化检测
本文提出了一种基于多视角对比损失的自监督无监督远程感知变化检测方法,利用伪孪生网络在大型数据集上进行对比式预训练。实验表明该方法能够显著提高状态最先进的无监督方法的准确性,并使无监督和有监督变化检测之间的差距变小。
Mar, 2021
这篇论文主要讨论了利用少量样本进行图像变化检测的问题,并通过使用简单的图像处理方法生成合成但具有信息量的数据集并设计了基于目标检测的早期融合网络来解决数据集不足导致的泛化能力差的问题。研究结果表明,使用合成数据训练的模型具有更好的泛化能力,且在此基础上利用少量样本进行微调能够获得优秀的结果。
Nov, 2023
本文提出了具有核对齐图像对的三种全卷积神经网络结构来执行变化检测,其中最显著的是,我们提出了两个完全卷积网络的连体扩展,利用当前问题的启发式规则在我们对两个开放变化检测数据集、使用 RGB 和多光谱图像的测试中取得了最佳结果。我们展示了我们的系统能够使用注释变化检测图像从头开始学习,我们的架构表现优于先前提出的方法,同时比相关系统快至少 500 倍。这项工作是朝着有效处理大规模地球观测系统数据的一步。
Oct, 2018
本文提出了 W-CDNet,一种新型的基于弱监督学习方法的变化检测网络,可以通过基于图像级别的语义标签训练,既可以用于只包含变化图像对又可以用于包含变化和不变图像对的数据集;W-CDNet 使用两个 W-shaped Siamese U-Net 提取特征地图,然后比较这两个特征地图来创建原始变化遮罩,并利用 CSC 模块使用自定义重新映射块学习准确的变化遮罩并将当前输入图像分割成相应的标签。该方法在三个公开数据集上取得了当下最优的误差检测和分类性能。
Nov, 2020
该论文旨在检测不同摄像机位置和不同时间实例获得的同一 3D 场景的两幅 “自然环境中” 的图像之间发生的变化,通过贡献一个基于合成数据训练的、类别不可知的变化检测模型,使用 “登记与差异” 方法,能够在没有精细调整的情况下对真实世界图像进行准确处理,并且无需额外的地面真实数据。同时,作者还提供了一组用于评估的实际图像对,其中包含人工标注的差异,并展示了该方法的有效性。
Aug, 2023
本研究介绍了一种半监督框架,通过一个辅助模型和一个自我纠正模块,在只有一小部分完全有监督图像的基础上,使用具有目标边界框标签的图像和只有目标边界框标签的图像集(称为弱集),训练出高质量的语义分割模型,这种方法比传统大量完全有监督数据模型要求的标注工作量减少~7 倍。
Nov, 2018
我们提出了一种新颖的无需训练的场景变化检测方法,该方法利用跟踪模型进行连续帧变化检测,通过识别共同物体和检测新的或缺失的物体。我们还通过引入自适应内容阈值和样式桥接层解决了输入图像之间的内容差异和样式差异问题,并将该方法扩展到视频以提高场景变化检测性能。通过各种实验证明,我们的方法在不同领域上表现出一致的性能,证明了我们方法的竞争力。
Jun, 2024
本论文介绍了视觉场景理解的各方面研究,特别是通过使用语义分割网络在不同数据集上进行训练来提高分割性能和泛化性以及训练效率,以及通过多种方法来实现弱监督学习和部分感知全景分割等新任务,为实现全面、丰富、可持续的视觉场景理解铺平了道路。
Jan, 2022
本论文提出了首个大规模高分辨率语义变化检测数据集,使用全卷积神经网络进行语义变化检测和土地覆盖分类,提出了一种序列训练方案,避免设置权衡不同损失函数而取得最佳效果的超参数。
Oct, 2018
该论文提出了一种用于场景变化检测的新型完全卷积孪生度量网络 (CosimNet),采用对比损失来获得更具判别力度量,其中提出了基于阈值的对比损失 (TCL) 来处理由大视点差异引起的多噪音变化。最后将距离度量集成到分割框架中,并通过变化图和特征分布可视化证明了该方法的有效性。
Oct, 2018