Aug, 2023

深度语义模型融合在古代农业梯田检测中的应用

PDF
TL;DR通过结合深度语义模型融合方法，以航拍图像和激光雷达生成的地形特征为输入数据，在内盖夫沙漠中实现了对古代农业平台的自动检测和识别。该方法在国际人工智能考古挑战赛中获得第一名。
ancient agricultural terracesdesert regionsmonitoringmachine learning techniquessemantic model fusion
发现论文，激发创造
  • 利用语义分割方法进行遗址激光雷达数据中埋藏考古结构识别的迁移学习

    应用深度学习于考古学的遥感数据时，一个显著的障碍是适用于训练模型的数据集有限。本文通过比较两个 LiDAR 数据集上两种语义分割深度神经网络的多种迁移学习配置的性能，结论表明考古学中基于迁移学习的方法可以提高性能，但尚未观察到系统性的改进，为未来工作提供了基线。

    Jul, 2023

  • 高度和语义的航空影像多任务学习

    本文研究了利用神经网络框架综合分析航空或卫星图像，并展示了其在多任务学习和模型预测不确定性方面的优势。

    Nov, 2019

  • 基于深度神经网络的建筑轮廓分割多任务学习

    本文研究了高分辨率遥感卫星图像中像素级预测方法的挑战，提出了一种新的级联多任务损失来保留语义分割边界。结果表明，不需要额外的后处理步骤，我们的方法在 Inria 航空图像标注数据集上优于现有技术 8.3％。

    Sep, 2017

  • Agriculture-Vision: 农业模式分析大型航空图像数据库

    本文介绍了一个名为 Agriculture-Vision 的大规模农业航空图像数据集，通过对该数据集进行语义分割的实验，证明了农业在计算机视觉领域中仍面临着许多挑战。

    Jan, 2020

  • 利用航空 LiDAR 图像分割揭示古代玛雅定居点

    利用深度学习的最新进展，本文展示了如何利用 YOLOv8 神经网络来准确地分割航空 LiDAR 图像中的考古结构，通过对原始 LiDAR 数据的新型预处理和数据增强方法来训练 YOLOv8 网络，提高了平台和环状结构的分割的准确度、精度和召回率，优于现有方法，该方法自动化了耗时的 LiDAR 图像标注，显著加速了对历史景观的准确分析。

    Mar, 2024

  • 激光雷达可视化对考古物体语义分割的影响

    本研究通过一个全面的测试框架，研究了可视化对深度学习性能的影响，结果表明适当的可视化选择可以提高性能高达 8%，然而找到一个在分割所有考古类别中表现出色的可视化方法仍然具有挑战性，实验结果突显了在成功分割考古对象时，精心选择模型配置和 LiDAR 可视化的重要性。

    Apr, 2024

  • 使用深度学习对遥感影像植被进行语义分割

    本文介绍了一种利用机器学习技术，结合公开遥感数据，使用卷积神经网络模型实现不同类植被的分离的方法，旨在解决处理遥感数据的效率问题。

    Sep, 2022

  • 基于地势信息的自主学习：利用有限注释增强 LiDAR 数据中的建筑物提取

    使用地面高程模型和自我监督学习的方法，在建筑物分割地图中利用少量标签数据取得了较好的效果，对于在遥感领域中提取特征具有高效性和有效性。

    Nov, 2023

  • 航空语义分割和深度估计的森林巡查数据集

    通过使用 UAV 监测森林环境的变化，本研究介绍了一个新的大型航拍数据集，用于森林巡视任务，该数据集包含了真实和虚拟记录的自然环境，密集标注的语义分割标签和深度图，并研究了不同采集条件下多尺度神经网络的性能以及从虚拟数据到真实数据的迁移学习能力，结果表明，最佳结果来自于包含多种情景的数据集，而非将数据按特定类别分离。还开发了一个评估地区森林破坏程度的框架。

    Mar, 2024

  • 基于金字塔融合网络的深度传感器融合技术用于三维语义分割

    本文提出了一种基于金字塔结构的深度融合体系结构，用于提高交通场景的 3D 语义分割效果，它可以将相机图像和激光雷达的特征图从不同层次进行融合，并结合多模态特征计算出有价值的多尺度特征以进行更准确的 3D 语义分割。

    May, 2022