野外合成孔径雷达计算机视觉的未解之谜及对 Patricia Wu-Murad 的搜索
描述无人机图像采集中的缺陷,给出了优化计算机视觉 / 机器学习后处理图像适应性的五项建议,并描述了野外搜救事件中无人机使用的概念工作流程。
Sep, 2023
使用多模态传感器的无人机可在各种环境条件下执行野外搜寻和救援任务,并且 WiSARD 数据集为研究人员提供了一个多样且具有挑战性的基准,从而测试算法在实际(救生)应用中的稳健性。
Sep, 2023
该研究使用 UAV 和固定监控摄像头构建了一个自动目标检测系统,结合了图像分割、增强和卷积神经网络等技术,可以在 8 秒内检测到目标,并使用合成数据生成和数据增强技术提高检测精度,这一解决方案有望帮助一线应对突发事件和搜救操作。
Apr, 2019
在搜索与救援(SAR)场景中,困人的检测是普适计算中面临的重大挑战,本研究采用机器学习技术来解决这个问题,通过利用无线通信协调信息并使用超宽带雷达信号在非直线可视(NLOS)场景中识别个体,实验结果表明所提出的方法在静态数据和动态数据上分别获得了 88.37% 和 87.20% 的分类准确性,对 SAR 行动中科学家和工程师做出即时决策具有积极意义。
Feb, 2024
利用子孔径分解算法提高海洋 SAR 图像的无监督学习检索精度,并表明使用多普勒重心图像时,该算法带来了重要的性能提升,为新的无监督物理引导检索算法开辟了新的研究方向。
Sep, 2022
本文提出了一种新方法,即一个新的联合图像级联和特征金字塔网络,用于在遥感图像中提取多尺度的强和弱语义特征,并进行定向边界框的检测和旋转非极大值抑制,提高了模型的性能。同时,该模型还具有对图像和对象尺度和方向的鲁棒性,可在多类物体检测应用程序中部署。
Jul, 2018
通过使用人工神经网络和监督学习的数据集,本论文提出了一种在无人机拍摄的航拍图像中检测感兴趣对象(包括汽车、人类和火灾)的方法,并结合经典图像处理技术和预训练的神经网络实现了数据集的辅助标注和数据扩增。最后,评估了不同神经网络的性能。
Oct, 2023
本文介绍了一个旨在填补从陆基视觉系统到海基系统的差距的大规模视觉目标检测和跟踪基准(SeaDronesSee),我们从各种高度和视角,提供海拔,视角和其他元数据等相关信息,收集和注释了超过 54,000 帧,包括 400,000 个实例,并在此基础上评估了多个最先进的计算机视觉算法。
May, 2021
提出了一种利用多个信息源提高自动卫星基热点检测系统准确性的野火识别解决方案,并使用 European Forest Fire Information System 数据库与 Moderate-resolution Imaging Spectroradiometer 和 Visible Infrared Imaging Radiometer Suite 的热异常进行交叉引用,构建了一个用于欧洲相关野火研究的大规模热点数据集。然后,提出了一种新颖的多模态监督机器学习方法,用于区分野火和其他事件的热点检测。实验结果表明我们的方法在野火识别任务中的有效性。
Jul, 2023