CVPRApr, 2022

自监督学习引导火星地形图像的科学相关分类

PDF
TL;DR该篇论文呈现了一种自主方法，用于在火星探测器图像中聚类沉积纹理，以便创建详细的地形类别数据集和地质分析，取得了较高的准确性和地质效验，为火星地形分类的快速识别提供了有前途的方法，并为实现生产大规模、细粒度和公开可用的火星地形识别数据集的长期目标开辟了道路。
terrain recognitionmars rover imagessedimentary texturesgeologic analysisself-supervised method
发现论文，激发创造
  • 混合域训练提高多任务地形分割

    本研究提出了一种半监督学习方法，利用无监督对比预训练，实现了火星表面的多任务语义分割。实验证明使用混合域训练集可以显著提高模型在多个火星探测任务中的准确性。提供不同损失函数的加权方法可显著提高模型对于稀有类别的识别率。

    Sep, 2022

  • 无监督声学特征学习的自监督视觉地形分类

    提出了一种利用无监督感知分类器自我监督外感图像的像素级语义分割的新型地形分类框架，通过学习极少标注图像的弱监督训练，能够在未知城市环境中为移动机器人提供更安全和高效的导航。

    Dec, 2019

  • 提高视觉同质火星车图像的对比学习

    提出了两种方法来解决对比学习在火星图像数据集中面临的挑战，包括无监督的深度聚类方法和利用来自不同领域的数据混合以增加总体训练数据集的视觉多样性，从而最小化误判率并提高分类准确率。

    Oct, 2022

  • 基于地势信息的自主学习：利用有限注释增强 LiDAR 数据中的建筑物提取

    使用地面高程模型和自我监督学习的方法，在建筑物分割地图中利用少量标签数据取得了较好的效果，对于在遥感领域中提取特征具有高效性和有效性。

    Nov, 2023

  • 自监督的土地覆盖分割方法

    通过自我监督方法和深度学习，在没有高质量地面真实标签的情况下，可实现对高分辨率土地利用 / 土地覆盖变化图的自动标注，准确率达到约 52%。

    Oct, 2023

  • 利用本体感知数据提升具有不确定性的空间探索机器人的地形分类

    在空间探索中，地形分类是一项重要任务，其中无法预测的环境难以仅依靠外部感知传感器（如视觉）进行观测。通过引入神经网络分类器，可以实现高性能，但由于缺乏透明性，这使得它们在任务规划中做出重要决策时不可靠。本文提出了一种带有不确定性量化的神经网络地形分类方法。我们通过在时间序列可用体系结构中使用只有本体感知数据作为输入的蒙特卡洛 Dropout、DropConnect 和 Flipout，使神经网络得以提高。我们使用超带状贝叶斯优化进行高效的超参数优化，以找到值得信赖的地形分类的最佳模型。

    Jul, 2024

  • 自监督地形表示学习从无约束机器人经验

    自我监督的地形表示学习（STERLING）是一种无需额外约束数据收集的机器人地形感知方法，通过非对比表示学习实现多模态自我监督目标，为机器人导航提供相关的地形表示，该方法在机器人在野外环境的视觉导航任务中与全监督方法相当，优于其他先进方法并表现出对真实世界坎坷条件的鲁棒性。

    Sep, 2023

  • 增强型自监督聚类学习：应用于土地覆盖地图制作

    通过聚类为自监督学习的前提任务，提出了一种用于土地覆盖映射的方法，通过所得聚类结构进行主动采样，提高映射准确性。

    Aug, 2021

  • 自适应元学习用于 Rover - 地形动力学识别

    本文提出了一种基于元学习的方法，通过将贝叶斯回归算法（P-ALPaCA）与参数仿射的标称模型相结合，增强了探测器动力学的概率预测，并引入了一种正则化方法，以鼓励标称和学习特征的正交性，从而导出可解释的各种地形条件下的地形参数的概率估计。

    Sep, 2020

  • 火星图像分类和分割的半监督学习

    本论文介绍了一种半监督机器视觉框架，使用对比学习和注释数据来有效地解决在火星图像数据的分类和分割任务中面对的挑战，并通过在有标注和无标注数据上的学习来提高模型性能和优化处理火星数据的效果。

    Jun, 2022