NIPSAug, 2019

使用深度神经网络和稀疏地面真值从图像中估算质量

PDF
TL;DR本文研究利用半监督深度学习和图像处理技术，对农业收获量进行精准预测，成功捕获细杆随机叠放的复杂密度物理特性，并优于传统预测方法，该方法具有普遍适用性。
supervised learningsemi-supervised learningdeep learningimage processingyield monitoring
发现论文，激发创造
  • 使用自动化数据和合成图像进行半监督草干物质估计

    本研究提出了一种利用计算机视觉中的深度学习算法，通过少量已标注数据及近似标注数据来监测牧草干草生物量的低监督方法，其包括合成数据生成算法、自动标注数据处理过程和强健的回归网络。该方法在爱尔兰采集的牧草质量估计数据集上进行了设计，还对丹麦发布的草艹生物量估计数据集报告了最先进的结果。

    Oct, 2021

  • 无需图像真值训练图像估计器

    本文提出了一种无监督框架用于训练图像估计网络，针对仅含测量值而没有地面真实图像的训练集，可以应用在压缩感知和盲复原等图像估计任务中。该无监督框架可以用于常规和盲估计任务，而且在考虑到非盲和盲训练的情况下，在压缩感知和盲复原中训练出的模型近似与全监督则没有太大的差距。

    Jun, 2019

  • 无监督领域自适应和超分辨率在无人机图像上的应用，用于自主干草生物量估计

    本研究基于深度学习方法和无人机影像实现草地草量和成分的精确估算，旨在减少对生物多样性和环境的过度施肥影响，并提高奶制品生产效率。

    Apr, 2022

  • 自监督稀疏到稠密：基于激光雷达和单目摄像头的自监督深度补全

    本研究提出了针对稀疏深度图的深度补全方法，采用深度回归学习模型，通过自监督训练框架实现对稀疏深度图的快速、精准深度补全，实验结果表明本方法在 KITTI 深度补全基准测试中获得了最佳结果。

    Jul, 2018

  • 单目深度图预测的半监督深度学习

    本文提出了一种半监督学习的深度学习方法，通过稀疏的真实深度数据和直接图像对齐误差来学习单目图像深度地图的预测，实验结果表现出一定的优越性。

    Feb, 2017

  • 学习在没有三维监督下估计单视角体积流动运动

    本文介绍了一种训练深度神经网络，从单目输入的视频中联合推断流体中移动的三维流和体积密度的方法，该方法不需要任何 3D 地面真实数据用于训练，并且可以在没有体积监督的情况下，利用实际世界的捕捉设置观察来训练模型。

    Feb, 2023

  • 自监督的多样农业视觉任务骨干框架

    通过自我监督学习从原始农业图像数据中学习有意义的特征表示，我们提出了一种利用 SimCLR 对大规模未注释数据集上进行预训练的轻量级框架，该框架具有较强的适用性，可以解决各种农业视觉任务，并降低对注释数据的依赖，从而提高成本效益和可用性，推动农业中计算机视觉技术的广泛应用。

    Mar, 2024

  • 稀疏到密集：从稀疏深度样本和单幅图像中预测深度

    本文论述了如何通过使用 RGB-D 原始数据，采用单个深度回归网络来学习来自稀疏深度范例的密集深度估计，并研究了样本数量对预测准确性的影响，提出的算法有两个应用：转换稀疏地图为密集地图和 LiDAR 的超分辨率。

    Sep, 2017

  • 特征转质量：用潜空间视觉特征处理生成真实标记质量

    本研究提出了一种基于视觉特征处理的潜空间生成实际标记生物图像的方法，实验结果表明，该方法生成的质量图像是逼真且具有广泛的目标质量特征表达范围。

    Sep, 2018

  • 高分辨率作物产量预测的弱监督框架

    本文提出一种利用高分辨率的指标和低分辨率的标记数据来预测作物产量的深度学习框架，并通过低分辨率作物面积和产量统计的弱监督进行校准。该框架的表现优于线性趋势模型和 GBDT，即使缺乏高分辨率产量数据，也可以用弱监督深度学习方法来预测更高分辨率的作物产量。

    May, 2022