合成孔径异常成像
使用混合架构,通过从合成孔径感测得到的整体空中图像和传统空中图像提取最重要的特征,以消除由于茂密植被引起的遮挡。该方法结合了环境的空间参考和无遮挡目标的特征,不需要手动调整参数,可以扩展到任意数量和组合的光谱通道,可根据不同用例进行重新配置,超越了现有技术。
Nov, 2023
当我们结合计算机光学合成孔径感测和人类融合立体图像的能力时,人类和计算方法都能够更好地区分隐藏在树叶下的物体深度。这项研究通过使用由无人机在茂密树林上方拍摄的视频,证明当采用计算合成孔径感测和分层立体视频时,人类观察者能够成功地区分深度,而单独使用计算方法或单眼视觉则无法做到。这揭示了计算方法和人类视觉相结合的系统在执行任务方面的潜力。
Oct, 2023
通过自监督学习中的一种简单而直观的任务 ——Natural Synthetic Anomalies (NSA),本文利用正常训练数据培训端到端模型进行异常检测和定位。NSA 技术使用 Poisson 图像编辑,无缝地混合来自不同图像的各种规模的缩放补丁,创造出一种更类似于自然子图像的不规则性的合成异常。我们使用自然和医学图像评估了所提出的方法。在 MVTec AD 数据集上的实验表明,使用本文提出的 NSA 技术训练的模型推广到检测出不同类型的制造缺陷,取得了 97.2 的总体检测 AUROC,优于所有先前的不使用额外数据集进行学习的方法。
Sep, 2021
通过研究大规模预训练图像生成模型在非可见光领域的应用,特别以合成孔径雷达(SAR)数据为案例研究,提出了一种 2 阶段低秩自适应方法(2LoRA)和改良版本原型 LoRA(pLoRA),以生成 SAR 数据并在 SAR 分类和分割模型的训练过程中取得显著的改进效果。
Nov, 2023
使用合成孔径雷达(SAR)数据进行森林监测,对于解决光学数据的问题并使用机器学习估计森林的光学查找指数(VIs)表现出较好的效果,通过创建多时序和多模态数据集来进行 VI 估计,在时间和空间上与 Sentinel-1、Sentinel-2、DEM、天气和土地覆盖数据集的对齐下取得了较好的结果。
Nov, 2023
使用分析与合成优化的方法来实现一种基于神经渲染的合成孔径声纳(SAS)成像,其具有物理约束和场景先验的能力,经过实验验证,表现通常优于现有的方法。
Jun, 2023
提出了一种两阶段策略异常检测方法 —— 通过识别可疑的补丁(Ano-SuPs)来检测异常。该方法通过重建输入图像两次来检测带有异常补丁的区域,首先剔除可疑补丁以获得一组正常补丁,然后利用这些正常补丁来进一步确定带有异常的补丁。通过仿真实验和案例研究对该方法进行了系统评估,并进一步确定了影响模型性能和效率的关键参数和设计步骤。
Sep, 2023
针对航空图像的合成数据增强框架,包括通过稀疏到稠密的感兴趣区域提取来弥合语义差距,使用低秩适应(LORA)对扩展训练进行优化,最后使用复制粘贴方法将合成物体与背景组合,为航空对象检测提供了一种细致入微的合成数据方法。
Nov, 2023
提出了一种基于预训练卷积神经网络的综合数据和一分类学习算法的地下物体检测方法。该方法通过采集探测区域的正常 GPR 图像和模拟包含不同物体类型的 GPR 图像来生成综合数据,用于微调卷积神经网络,进而提取探测区域内的地下物体特征并进行分类,无需预先设置地下物体类型和数量。实验表明,该方法能够有效提高卷积神经网络对探测区域内物体的特征提取能力,并且满足实际应用中的及时性要求。
Oct, 2022
本文提出了一种使用合成孔径雷达图像进行可微分渲染的方法,结合了 3D 计算机图形学和神经渲染,并在高保真模拟 SAR 数据上演示了从有限 SAR 图像重建 3D 对象的逆图形问题。
Apr, 2022