ECCVSep, 2022

混合域训练提高多任务地形分割

PDF
TL;DR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。
machine learningmartian surface segmentationsemi-supervised learningmulti-mission semantic segmentationrover missions
发现论文，激发创造
  • 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

  • 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

  • 自监督学习引导火星地形图像的科学相关分类

    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。

    Apr, 2022

  • 多领域增量学习用于语义分割

    提出了基于动态架构并采用优化策略的多领域语义分割增量学习方法，旨在解决现有分割框架在视觉地理领域差异大的数据集序列中无法迭代学习的问题。实验结果验证了该方法在德国 (Cityscapes)、美国 (BDD100k) 和印度 (IDD) 道路驾驶环境中实现了良好的增量学习效果。

    Oct, 2021

  • 未知环境下使用信息路径规划的半监督主动学习用于语义分割

    使用自适应地图规划的半监督主动学习方法，结合高质量的人工标签和自动提取的伪标签，显著降低人工标注的需求，从而在减少人工标注工作量的同时，达到接近全监督方法的分割性能，超过自监督方法。

    Dec, 2023

  • 多域 LiDAR 语义分割之路 —— 步行您的 LiDOG

    该论文设计了第一个实验环境，研究激光雷达语义分割的域泛化问题。通过提出一种具有传输学习功能的网络模型，有效地减少了领域之间的差距，从而解决了同领域分割方法不能满足跨领域泛化问题的难题。

    Apr, 2023

  • 利用深度迁移学习从逼真模拟中加速火星样本定位

    研究提出一种用于 Mars Sample Return 样品获取任务的自主检测和姿态估计系统，采用深度神经网络和计算机视觉技术来实现，可以有效地检测和识别样品，并提供了可靠的定位结果。

    Jun, 2022

  • 城市场景语义分割的课程域自适应

    本论文介绍一种基于课程式学习（curriculum-style learning）的方法，通过学习全局标签分布和局部分布来缓解城市风景语义分割中真实图像和合成数据之间的领域差异，并在两个数据集和两个骨干网络上的实验中表现优异。

    Jul, 2017

  • 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

  • 基于课程领域自适应的城市场景语义分割方法

    在城市场景语义分割中，我们提出一种课程学习的方法来尽可能减小真实和合成数据之间的差距。该方法采用先易后难的策略，对全局标签分布和本地超像素标签分布进行先验知识的推断，并在此基础上训练语义分割网络。在两个数据集和两种 Backbone 网络上，我们的方法表现优于基线，并且进行了广泛的实验研究。

    Dec, 2018