通过分析语义分割、纵向和空间丰富的热红外图像，在城市尺度上识别热点和冷点，该研究为城市规划者提供了自动分析热红外图像的潜在应用，以制定减少城市热岛效应、提高建筑能效和最大限度地改善室外热舒适度的缓解策略。

Oct, 2023

这篇论文提出了一个实用的深度学习方法，用于热像分类，该方法利用卷积神经网络（CNN）架构（特别是 ResNet-50 和 VGGNet-19）从热像中提取特征，并在热输入图像上应用卡尔曼滤波进行图像去噪，实验结果证明了该方法在准确性和效率方面的有效性。

Nov, 2023

本文提出了一个利用深度学习和数据增强的热红外（TIR）远程目标检测系统，该系统针对海上救援进行研究。通过使用 TIR 相机（FLIR）建立了一个自采集的 TIR 数据集，其中包括多个模拟人类救援情境的场景。此外，为了解决数据集稀缺和改善模型的鲁棒性，还收集了一个合成数据集，该数据集是从一个 3D 游戏（ARMA3）中获取的。然而，合成 TIR 图像与真实 TIR 图像之间存在显著的领域差距。因此，为了解决这个问题，本文建议了一种基于生成模型的从 3D 游戏到真实情况下的目标 - 背景分离领域自适应算法。此外，还提出了一个带有固定权重内核的分割网络，以改善信噪比（SNR）并提供弱注意力，因为远程 TIR 目标本质上具有不清晰的边界。实验结果表明，用包含翻译合成和真实 TIR 数据的增强数据训练的网络在性能上明显优于只使用真实 TIR 数据进行训练的网络。此外，所提出的分割模型超越了最先进的分割方法的性能。

Oct, 2023

乳腺癌是全球关注的突出健康问题，目前是妇女第二最常见和第二致命的癌症类型。该论文提出了一种新颖的乳腺癌分类和分割算法，通过利用信息丰富的学习特征空间，简化了解决方案的使用和扩展性，并且在分类方面取得了最先进的成果，同时是首个提出研究分割区域的工作。

Apr, 2024

本文提出了一种多模态语义分割模型，可以适用于日间和夜间场景，通过引入热成像技术和 RGB 照片，利用现有白天 RGB 数据集实现对夜间图像的学习，并提出了一个新的域对齐训练方法，在自动驾驶方面获得了最新的夜间语义分割结果。

Mar, 2020

利用 Hyperspectral Imaging 和 Machine Learning 相结合的方法，采用 Graph Neural Networks 以及 Convolutional Neural Network，通过对局部图像特征和空间上下文信息的建模，实现在肿瘤和健康组织之间进行准确分割的目标。

Nov, 2023

本文提出在语义分割中使用基于学习的技术并支持长波红外成像 (LWIR) 技术，解决了 RGB - 热成像相机校准和数据集问题并比较表明使用我们的方法可以获得最佳的结果。

Sep, 2019

我们对多个二值化方法进行了比较研究，包括全局阈值、区域生长、支持向量机、随机森林、多层感知器、U-Net 和 DeepLabV3 +，评估了工业燃烧器火焰的公共基准数据集。结果表明，深度学习是最准确的方法，而传统图像处理技术则是一个快速和简单的选择。

Jun, 2023

通过使用红外图像进行语义分割，本研究对现有算法进行了分类，并提出了两种解决方案，一种是使用可见光和红外图像，另一种是只使用红外图像。

May, 2022

本文提出了一种热红外跟踪器，命名为 HSSNet，它使用层次空间感知 Siamese 卷积神经网络来验证相似性并生成更强的可辨别能力，与其他方法相比，在 VOT-TIR 2015 和 VOT-TIR 2016 基准测试上取得了较好的性能表现。

Nov, 2017