Jul, 2022

遥感图像增强

PDF
TL;DR本研究提出使用生成模型（GANs）为土地利用与覆盖（LULC）分类任务扩充 EuroSAT 数据集，并探索了使用 DCGAN 及 WGAN-GP 生成图像的效果，发现增加约 10％的数据集对模型性能具有改善作用。研究表明，使用 GAN 可以提高深度分类模型在卫星图像上的泛化能力。
generative modelsgansland use and land cover classificationaugmentationsatellite images
发现论文，激发创造
  • 远程感知图像中的数据增强和适应的条件生成对抗网络

    使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

    Aug, 2019

  • 评估切割粘贴数据增强在遥感图像语义分割中的有效性

    卫星影像重要用于环境监测和城市规划，本研究探索了一个适用于语义分割的剪切粘贴增强技术，通过利用语义分割标签中的联通组件，从而在训练过程中随机粘贴提取的实例，实验结果表明，这种增强技术显著提升了语义分割模型的平均交并比得分，从 37.9 提升至 44.1，彰显了其在卫星影像中提高模型泛化能力的潜力。

    Apr, 2024

  • GAN 增强：使用生成对抗网络进行训练数据增强

    本文使用生成式对抗网络（GAN）生成的合成数据来增加医学成像训练数据集的样本数量，从而提高监督式机器学习算法对图像分割任务的性能。

    Oct, 2018

  • 农业图像增强的生成式对抗网络：一篇系统综述

    该论文概述了生成对抗网络 (GAN) 在农业图像分析中的应用，并对其在植物健康、水产养殖、动物饲养、果实检测等方面进行了系统回顾，讨论了 GAN 的挑战和机遇。

    Apr, 2022

  • 逐步增长的生成对抗网络在卫星影像高分辨率语义分割中的应用

    本研究使用递进增长的生成对抗网络对高分辨率卫星图像进行像素级分割，以分割建筑物屋顶。通过在 SpaceNet 版本 2 数据集上进行测试，相较于传统 GAN 训练，递进 GAN 训练获得了更高的测试准确性，达到了 93%。

    Feb, 2019

  • GAN-based 增强深度学习 COVID-19 图像分类的进一步探索

    基于 GANS 的数据增强方法在中等和大型数据集的情况下与传统增强方法相当，但在较小的数据集的情况下表现不佳。无论采用何种增强方法，原始数据集的大小与分类质量之间存在相关性。

    Jan, 2024

  • 利用基于 GAN 的合成医学图像增强技术提高 CNN 在肝脏病变分类中的性能

    使用生成对抗网络合成医学图像，然后将其用于合成数据增强以提高卷积神经网络在医学图像分类中的性能。

    Mar, 2018

  • DAugNet：卫星图像语义分割的无监督、多源、多目标和终身域适应

    提出了一种新方法 DAugNet，用于无监督的多源、多目标、终身领域自适应卫星图像分类，包括分类器和数据增强器，增强器可以在多个卫星图像之间执行风格转换，每次训练迭代提供分类器多样化的数据，使其对不同的领域数据分布具有鲁棒性，该方法明显优于现有方法。

    May, 2020

  • 基于 GAN 的胸部 X 光分类数据增强

    本文探讨了在医疗领域电脑视觉技术中普遍存在的数据样本数量不足和分类失衡的问题，并通过使用生成对抗网络技术来增强数据集以改善网络性能，结果表明这种方法适用于低数据的情况，是值得进一步研究的领域。

    Jul, 2021

  • 利用生成对抗网络方法人工生成大数据以改善图像分类：以 SAR 数据为例

    本研究提出了一个 VHSR SAR 图片数据库，并且探讨了基于补丁的城市和城市周边区域分类。使用大型 CNN 分类模型和预训练网络来确定有效性，此外还运用生成对抗网络来生成数据测试数据对分类精度的影响。

    Nov, 2017