Jan, 2023

利用空中和地面双视图图像的证据融合进行可信遥感场景分类

PDF
TL;DR本研究使用证据深度学习模型对多角度遥感数据进行了分类，该模型可有效地计算每个角度数据的可信度，并据此进行决策级融合，从而提高分类结果的准确性。实验结果表明，该方法在公开数据集上取得了最佳效果。
multi-view datadata qualitydeep neural networkevidential deep learningremote sensing scene classification
发现论文，激发创造
  • 基于证据融合的半监督医学图像分割的不确定性感知学习

    通过在混合和原始样本的跨区域整合证据预测结果，重分配每个体素的置信度和不确定度度量，结合信息熵设计了体素级渐进学习策略以更加准确地估计体素的预测结果。实验结果表明，我们提出的方法在 LA、胰腺 CT、ACDC 和 TBAD 数据集上相对于现有技术取得了卓越的性能。

    Apr, 2024

  • 遥感应用中深度多视角融合的常见实践和分类方法

    本研究旨在回顾地球观测的多视角融合模型的文献，并整合总结相关术语和方法，其中涉及了利用神经网络模型的有监督学习。通过该研究，希望此文献能够促进未来研究并推动该领域的统一进步。

    Dec, 2022

  • 深度证据融合下的多模态医学图像分割与不确定性量化及上下文折扣

    基于深度学习和 Dempster-Shafer 理论的多模式医学图像分割的融合框架，在考虑了每个单模态图像在分割不同对象时的可靠性的情况下，通过背景折扣操作对每个模态的证据进行合并，从而达到最终决策。与现有方法相比，实验结果表明我们的方法在准确性和可靠性方面表现优异。

    Sep, 2023

  • DeepDualMapper：一种门控融合网络，用于利用航空图像和轨迹进行自动地图提取

    DeepDualMapper 是一个可深度融合高空影像和 GPS 轨迹数据以提取数字地图的卷积神经网络，通过门控融合模块和密集监督精细化解码器控制数据的信息流，可更有效地提取地图。

    Feb, 2020

  • 多视角融合学习在作物分类中的比较评价

    通过对多个数据集进行比较，本研究评估了多种融合策略对农作物分类的影响，发现多视角融合方法能够超越单个视角和先前的融合方法，在选择融合方法时提出了初步的标准。

    Aug, 2023

  • 多视角一致性学习用于异质传感器融合

    为了评估机器学习模型单个预测的可信度，我们建立和测试了多视角和单视角的异构传感器融合的模型，这些模型基于相合预测框架，提供了理论上的边际置信保证。通过全面实验，我们证明了多视角模型不仅在准确性性能度量方面（已在多个之前的工作中显示），而且在提供不确定性估计的相合度量方面，比单视角模型表现更好。

    Feb, 2024

  • Beyond RGB: 基于多模态深度网络的高分辨率城市遥感技术

    本文研究使用深度完全卷积网络来处理多模态多尺度遥感数据的语义标注，并采用有效的多尺度方法来提高语义标注的精度和深入研究数据的早期和后期融合方法，并在两个公共数据集上验证了我们的方法，表现出令人满意的结果。

    Nov, 2017

  • 导航冲突观点：利用信任学习

    解决冲突是使多视角分类决策更可靠的关键，现有的基于信任的框架无法适应不同视角之间可能出现的冲突，因此我们开发了一种计算信任的折扣方法来增强现有的框架，通过考虑实例级概率敏感的信任折扣机制，对个体视角的预测进行融合以提高可靠性，在真实应用中的六个数据集上验证了我们的方法，使用了 Top-1 准确率、AUC-ROC 用于不确定性感知预测、Fleiss' Kappa 以及考虑了基准真实标签的新指标 Multi-View 一致性，实验结果表明，计算机信任可以有效解决冲突，为更可靠的多视角分类模型铺平了道路。

    Jun, 2024

  • 多视角航拍视觉识别（MAVREC）：多视角能否提升航拍视觉感知？

    该研究介绍了一种名为 MAVREC 的用于航拍识别的视频数据集，通过对地面摄像机和无人机摄像机的同步场景记录，以及包含标注边界框的图像，实现了航拍识别的超越性预训练策略。

    Dec, 2023

  • 基于不确定性的文本可靠分类

    本文针对文本分类任务中的 OOD 检测问题，提出了基于证据不确定性的方法，该方法通过引入辅助的离群样本和伪样本来训练模型，并明确建模了类别概率的不确定性。实验证明，该方法能够轻松部署于传统 RNN 和 Fine-tuned 预训练 transformers，并在 OOD 检测上优于其他方法。

    Jul, 2021