利用深度编码器 — 解码器模型进行油污分割
利用语义分割方法进行 SAR 图像中的油污检测,提出了一个包括目标检测器、自适应分割器(SAM)和有序融合模块的 SAM-OIL 组合油污检测框架,证明了 SAM-OIL 可以超越现有的基于语义分割的油污检测方法,实现了 69.52% 的 mIoU,并提高了 SAM-OIL 的准确性。
Jan, 2024
利用无人机进行自动化油污泄漏检测可以显著提高速度和准确性,本研究提出了一个独特的、有注释的数据集,通过使用卷积神经网络在台式机和边缘计算平台上分析,证明了该数据集在港口环境中对于油污检测实际应用的实用性。
Feb, 2024
通过图像分析准确检测峰值负载设备中的油泄漏,可以显著提高检查质量,确保系统的安全性和可靠性。该方法通过将逻辑规则辨别与图像识别集成,整合了 Mask RCNN 网络的语义图像分割技术,以识别潜在的油污染区域,并应用逻辑规则来确定疑似区域是否为油泄漏,通过测试表明,与现有方法相比,该方法在准确识别油污染区域方面取得了显著的改进。
Nov, 2023
该研究提出了一个名为 SRCNet 的有效油污图像分割网络,利用合成孔径雷达(SAR)图像表示和油污分割培训同时进行,该网络由一对协作的深度神经网络构成,在训练过程中,利用 SAR 图像的内在特性,与正解油污分割图的相关特征进行协同表示。结果表明,SRCNet 能够在经济高效的情况下对油污图像进行有效的分割。
Apr, 2023
本研究提出一种利用金字塔池化模块的编码 - 解码神经网络模型,通过深度跳跃连接聚合全局上下文并补偿丢失的空间信息,以提供标准化的皮肤黑色素瘤患者计算机辅助分析,并通过 ISIC 2018 数据集的训练和验证,在 Jaccard 系数上取得了 0.837 验证准确性,优于 U-Net,相信这种方法可以用于临床实践。
Jan, 2019
本文介绍了一个基于深度学习的神经网络,利用 U-Net 结合 Spatial-Channel Squeeze & Excitation、Lovasz loss、CoordConv 和 Hypercolumn 等方法,对地震图像数据进行盐度沉积物区分。该方法在 TGS-NOPEC Geophysical Company 主办的竞赛中获得了第 27 名的好成绩,可以在链接中获取源代码。
Nov, 2018
利用自我监督学习方法,通过预训练的遮蔽自动编码器在 Digital Elevation Models 上提取建筑物和道路分割,有效利用有限的标注数据,为地表变化频繁的任务提供数据高效的学习器。
Sep, 2023
本文介绍了一种深度学习模型 DeepLabv3+,将网络的编码器和解码器模块相结合,采用空洞空间金字塔池化和深度可分离卷积技术,用于语义分割任务,实验表明该模型取得 89.0% 和 82.1% 的测试集性能,且附有 TensorFlow 参考实现。
Feb, 2018
自动驾驶汽车的语义分割是理解周围环境的关键技术。研究通过融合编码器 - 解码器和两通道架构,提出了空间助理编码器 - 解码器网络(SANet),并在设计中利用不同分辨率的特征提取和池化模块以优化特征提取和实现语义提取,最终在实时 CamVid 和 Cityscape 数据集上达到竞争性的结果。
Sep, 2023
本文介绍了一种称为 SLSDeep 的深度学习皮肤病损分割模型,采用编码器 - 解码器网络,采用负对数似然损失和终点误差的组合损失函数进行端到端的自动诊断,实现了准确的黑色素瘤区域分割,并在 ISBI 2016 和 2017 上进行了评估,其具有优于现有方法的准确性,能够在最新的 GPU 上每秒处理超过 100 张 384x384 大小图像的能力。
May, 2018