遥感中的多模态物体检测
通过多模式远程感知数据进行对象检测,提出了一个基于多模式变换器的解决方案,包括交叉通道注意力模块和结合卷积层和固定维度的新架构,以实现细粒度到粗粒度的表示生成,并在广泛实验中验证了其有效性和适用性。
Oct, 2023
本文是关于光学遥感图像中物体检测的文献综述,涵盖目标检测的众多方法,包括基于模板匹配、基于知识、机器学习等,同时讨论现有研究的挑战并提出两个有潜在发展的研究方向,即基于深度学习的特征表示和基于弱监督学习的地理空间目标检测。
Mar, 2016
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
本文介绍了自动驾驶所使用的流行传感器、它们的数据性质以及相应的目标检测算法。还讨论了用于评估多模态 3D 目标检测算法的现有数据集。接着对基于多模态融合的 3D 检测网络进行了回顾,并介绍了它们的融合阶段、融合输入和融合粒度以及这些设计选择如何随着时间和技术而演变。最后讨论了面临的挑战以及可能的解决方案。希望本文能帮助研究人员了解多模态 3D 目标检测领域并进行相关研究。
Jun, 2021
我们提出了一种自适应融合方法,使用多种传感器,通过卷积神经网络专家的混合来学习权衡不同传感器的预测,该方法可适应于不同光照和摄像机运动模糊等影响。我们测试了该方法在室内和室外的人体检测,并证明了其可适应困难环境,同时,我们还提出了一个新的混合室内外环境中的 RGB-D 数据集,可供参考。
Jul, 2017
通过深度学习,本文调查了逾 150 篇研究,主要关注使用深度学习的多模态癌症检测的数据集以及解决各种挑战的方案,如数据注释、类别差异、小规模损伤和遮挡等。同时概述了每种方法的优点和缺陷,并讨论了当前工作范畴以及未来多模态癌症检测的发展方向。
Dec, 2023
通过将上下文二进制信息转化为概率图,并提出一种早期融合结构,在 DOTA 数据集上进行了广泛实验证实,本文研究了仅有一种模态包含目标物体且其他模态提供关键上下文信息的多模式目标检测中的对齐问题。
May, 2024
本文总结了多个研究社区关于多源、多时间数据融合方法的进展,为不同层次(例如学生、研究人员和高级研究人员)的研究者提供了充足的细节和参考,以便于他们在这个具有挑战性的课题上进行新的调查。
Dec, 2018
遥感物体检测是遥感领域中最基本和具有挑战性的任务之一,深度学习技术在近年来展现出强大的特征表示能力,并推动了遥感物体检测技术的巨大飞跃。本综述旨在全面回顾基于深度学习的遥感物体检测方法的最新成果,涵盖了 300 多篇论文。我们在遥感物体检测中确定了五个主要挑战,包括多尺度物体检测、旋转目标检测、弱目标检测、微小目标检测和受限监督目标检测,并按照层次划分的方式系统回顾了相应的方法。我们还回顾了遥感物体检测领域中广泛使用的基准数据集和评估指标,以及遥感物体检测的应用场景。为进一步推动遥感物体检测研究提供了未来的研究方向。
Sep, 2023
本文提供了在计算机视觉和地球观测社区中基于深度学习的对象检测的综合研究进展,并提出了一个公开的大规模测量数据,即 DIOR 数据集,其可帮助研究人员开发和验证数据驱动的方法。
Aug, 2019