弱标记南极:企鹅栖息地案例
利用低分辨率区域标签,我们的弱监督学习方法在海冰分类中取得了优异的像素级分类性能,通过在训练中引入区域损失表示来衡量预测结果和冰图导出的海冰类型分布之间的差异。借助 AI4Arctic 海冰挑战数据集,我们的方法在映射分辨率和类别精度方面超过了完全监督的 U-Net 基准和 AutoIce 挑战的最佳解决方案,标志着自动化操作的海冰制图方面的重大进展。
May, 2024
该研究旨在使用 S2 图像开发出一种健壮和有效的系统,对极地海冰进行分类,解决极地海冰覆盖面积的消融问题,研究团队采用基于合适确定的颜色阈值的方法高精度地分割和自动标记 S2 图像,并采用这些自动标记的数据进行训练,得出 90.18% 的分类准确率。
Mar, 2023
使用 Sentinel-2 图像,通过自动标记从 S2 图像中过滤掉薄云和阴影,利用分段和自动标记的方法,训练 U-Net 机器学习模型,在极地海冰的 Ross Sea 地区实现了 98.97% 的分类准确度。
Mar, 2024
通过将海冰分类训练形式化为部分标签学习任务,并利用明确的置信度分数,将多标签和类别不平衡问题得到解决的一种新型 GeoAI 方法,用于通过训练卷积神经网络(CNN)来提高 Sentinel-1 双极化 SAR 图像中海冰的分类性能。相较于传统训练方法使用独热编码标签和分类交叉熵损失,本方法提高了分类准确度(从 87% 提升至 92%)和加权平均 F-1 得分(从 90% 提升至 93%),在六个海冰类别中的四个类别的 F-1 得分也有所改善。
Jun, 2024
论文提出一个新框架,使用 image-level weak labels,引入了 category-wise alignment 来实现 domain adaptation 中 feature alignment 和 pseudo-labeling 的相互作用,实验结果表明在 UDA 和 WDA 上都有显著的提高。
Jul, 2020
该论文提出了一种新的语义分割框架,采用弱增量学习,使用辅助分类器和软标签更新模型,从图像级别标签中学习新类别的分割,可有效减少由像素逐像素标注带来的时间和经济成本。
Dec, 2021
英国南极调查队研究人员在南极每年进行考察,以估计南极磷虾生物量并评估与前几年的变化。通过比较,我们开发了自动化的数据收集和分析工具,利用基于网络的图像注释工具和深度学习图像分类和回归模型。我们实现了高度准确的磷虾实例分割结果,平均 AP 得分为 77.28%,并且对磷虾标本的成熟阶段和长度估计的准确性分别为 62.99% 和 1.96 毫米。
Sep, 2023
本文介绍了一种使用图像标签进行弱监督语义分割的模型,利用图像标注作为注意机制来识别图像中的语义区域,并描述了如何将此掩模生成策略纳入完全端到端可训练的过程中,其中网络同时学习对图像进行分类和分割,实验表明,利用生成的类特定掩模可以超越只使用图像标记的最新弱监督语义分割方法甚至某些利用额外监督或训练数据的模型。
Apr, 2018