通过样本排名提升图像聚类及其在遥感图像中的应用
我们提出了一种针对遥感数据的高效半监督学习方法,通过适应 FixMatch 框架以及消除训练数据中的偏差,使用已标记数据的 30% 在遥感数据集上相较于基准监督学习方法提供了 7.1% 的准确度提升,以及相较于监督学习的最新方法 CDS 提供了 2.1% 的准确度提升。
Dec, 2023
本文针对在一个图像集合中发现新类别的问题,提出结合自监督学习、排名统计和联合目标函数优化的方法,使用带标签和未标记数据训练数据表示模型,成功应用于标准分类基准测试中,显著优于现有的方法。
Feb, 2020
远程感知图像的语义分割是远程感知图像解释中的重要问题。目前已经取得了显著的进展,虽然现有的深度神经网络方法在依赖大量训练数据方面存在问题。少样本远程感知语义分割旨在仅使用少量标注的目标类别支持图像从查询图像中学习分割目标对象。然而,现有的少样本学习方法主要集中在从支持图像中提取信息,未能有效解决地理对象外观和尺度的大差异。为了解决这些挑战,我们提出了一种自相关和交叉相关学习网络,用于少样本远程感知图像语义分割。我们的模型通过考虑支持图像和查询图像之间的自相关和交叉相关来增强泛化性能。为了进一步探索与查询图像的自相关性,我们提出采用经典的频谱方法,基于图像的基本视觉信息生成一个类别无关的分割掩模。在两个远程感知图像数据集上进行了大量实验,证明了我们的模型在少样本远程感知图像语义分割中的有效性和优越性。代码和模型可以在此 URL 中访问。
Sep, 2023
利用自我监督学习从大规模、无标签数据集中学习表示已被证明对于理解各种远程感知图像非常有效。本研究提出了一种增强型自我监督表示学习方法,通过简单而高效的预训练流程,解决了对比学习中的假阳性匹配问题以及重构学习中缺失上下文信息的问题,并通过语义一致性约束提供上下文信息。实验证明该方法在土地覆盖分类、语义分割、目标检测和实例分割等多个下游任务上优于全监督学习模型和目前最先进的自我监督学习方法,表明该方法能够学习出具有高泛化性和可迁移性的远程感知表示。
Sep, 2023
远程感知影像的实时语义分割是一个具有挑战性的任务,需要在效果和效率之间进行权衡。本论文总结了设计高效深度神经网络的基本压缩方法,并对远程感知影像的实时语义分割的最新发展进行了简要而全面的调查。实验结果表明,现有的大多数高效深度神经网络都具有良好的分割质量,但它们存在推理速度低(即高延迟率)的问题,可能限制了它们在实时应用中的部署能力。我们对远程感知影像实时语义分割的当前趋势和未来研究方向提供了一些见解。
Sep, 2023
本研究提出两种技术来改进基于成对排名的多标签图像分类:(1)我们提出了一种新的损失函数,平滑且容易优化;(2)我们将标签决策模块纳入模型,估算每个视觉概念的最优置信阈值。我们在三个大规模数据集(VOC2007、NUS-WIDE 和 MS-COCO)上展示了我们方法的有效性,并取得了文献中报道的最佳结果。
Apr, 2017
本文提出了一种新的自监督训练方法,利用来自多个传感器的共同数据来学习每种可能的组合的有用表示,该方法在遥感分类任务中优于全监督 ImageNet 权重,并随着越来越多的传感器融合而改善。
Aug, 2021