LUAI Challenge 2021:学习理解航拍图像
本研究介绍了一个大规模的 DOTA 数据集,包括从 11,268 个航拍图像中收集的 18 个分类的定向边界框注释的 1,793,658 个物体实例,并基于此构建了覆盖 70 多种配置的 10 种最新算法的基线,还提供了 ODAI 的代码库和用于评估不同算法的网站。
Feb, 2021
该研究总结了首个 Agriculture-Vision Challenge 中,57 个参赛团队在使用 21,061 张农业卫星图像数据集进行农业模式识别和语义分割任务的研究方法和结果。
Apr, 2020
本论文介绍了 Aerial Image Dataset(AID)这一用于航空场景分类的大型数据集,并深入探讨了现有的航空场景分类技术以及最近广泛使用的深度学习方法,并为评估这一数据集的性能提供了基准结果。
Aug, 2016
介绍并推广了 UAVid 数据集,即用于语义分割的无人机高分辨率影像数据集。该数据集采用斜视图拍摄,结合侧视和俯视角度,可为对象的识别提供更多信息,并提供了几种深度学习基线方法,其中提出的多尺度扩张网络效果最好。
Oct, 2018
通过将 nosiy 的 2D 标签提升至 3D,我们提出了一种用于城市规模语义和建筑级别实例分割的神经辐射场方法。我们首先引入了一种适应尺度的语义标签融合策略,通过合并来自不同高度预测的标签来增强不同大小的对象的分割,然后基于 3D 场景表示引入了一种新颖的交叉视图实例标签分组策略,以减轻 2D 实例标签中的多视图不一致性问题。此外,我们利用多视图重构深度先验来改善重建辐射场的几何质量,从而实现了增强的分割结果。在多个真实世界的城市规模数据集上的实验表明我们的方法优于现有方法,突显了其有效性。
Mar, 2024
本文提出了一种多用途的多模态传感器航空数据集(AU-AIR), 旨在弥合计算机视觉和机器人学之间的差距,并通过多种类型的记录数据进行真实环境的移动物体检测训练和测试,包括自带计算机的无人机。
Jan, 2020
通过综合回顾计算机视觉任务,本文全面介绍了航空数据分析领域。主要关注对象检测、变化检测、对象分割和场景级分析等关键任务,并比较了不同架构和任务中使用的各种超参数。还对具有不同领域专业知识的库进行了深入讨论,包括航空数据集、采用的架构细节以及与航空数据分析中所有任务相关的评估指标。通过案例研究,探索了计算机视觉任务在各个领域中的航空数据应用,并提出实用解决方案来应对航空数据分析中固有的挑战。此外,还提出了未解决的重要问题,为未来的航空数据分析研究方向铺平了道路。
Feb, 2024
基于机器学习的计算机视觉模型在自然灾害后的应急管理操作中是有前景的工具,而空中拍摄的照片则可以为情境感知和损伤评估等应用提供宝贵的信息。然而,在灾害发生后可能拍摄的数以万计的照片中,应急管理人员通常面临寻找最相关照片的挑战。为了解决这个问题,我们提出了 LADI v2 数据集,这是一个由美国国土出生队(Civil Air Patrol, CAP)于 2015 年至 2023 年响应联邦宣布的紧急情况期间捕获的约 10,000 张灾害图像的精选集,并由经过培训的 CAP 志愿者注释为多标签分类。我们还提供了两个预训练的基线分类器,并将它们的性能与最先进的图像 - 语言模型在多标签分类中进行了比较。我们公开发布数据和代码来支持应急管理研究和应用中计算机视觉模型的开发。
Jun, 2024
本文介绍 DeepGlobe 2018 卫星图像理解挑战赛,包括分割、检测和分类任务,旨在提高计算机视觉领域对遥感数据的关注,评估卫星图像理解方法并为未来的研究提供参考基准。
May, 2018