Aug, 2023

合成孔径声纳数据处理、分类和模式识别的自监督学习进展

PDF
TL;DR本文提出了一种使用自监督学习（SSL）进行合成孔径声纳（SAS）数据处理、分类和模式识别的方法 MoCo-SAS，实验结果表明 MoCo-SAS 在 F1 分数方面明显优于传统监督学习方法，展示了 SSL 在 SAS 数据处理中的潜力，并为增强水下目标检测和分类提供了有希望的途径。
发现论文，激发创造
  • 自监督学习提升合成孔径声纳目标识别

    这项研究探讨了自监督学习（SSL）在合成孔径声纳（SAS）图像识别改进中的应用，结果表明，尽管两个 SSL 模型在少样本情况下可以优于完全监督模型，但在使用全部标签时不能超过其性能，这有助于减少数据标记的时间和成本，同时提供了远程感知中使用 SSL 的证据。

    Jul, 2023

  • 神经网络体积重建用于相干合成孔径声纳

    使用分析与合成优化的方法来实现一种基于神经渲染的合成孔径声纳（SAS）成像，其具有物理约束和场景先验的能力，经过实验验证，表现通常优于现有的方法。

    Jun, 2023

  • 结合 SAS 和光学转 SAS 图像的水下物体分类

    使用合成孔径声纳（SAS）图像和光学图像相结合的多模态组合来区分人工目标和岩石等对象，提出了一种创新的分类算法，可以解决两种模态之间强度和对象形成差异的问题，并使用一组新的几何形状描述符来获取影子和高光之间的几何关系，通过对 7,052 对 SAS 和光学图像的实验结果表明其在不同类型的水下目标区分方面相对于现有技术有更好的分类性能，并分享我们的数据库以实现可重复性。

    Apr, 2023

  • 自监督学习用于声纳图像分类

    本研究探讨了三种自监督学习方法（RotNet，去噪自编码器和 Jigsaw）在水下机器人领域中，能否在无需大型标记数据集的情况下学习高质量的声纳图像表示，并提出了预训练和迁移学习的结果。结果表明，三种方法的自监督预训练可在少数样本迁移学习设置中实现与有监督预训练相当的分类性能。

    Apr, 2022

  • 领域内自监督学习可提高遥感图像分类

    本文研究了自监督学习在遥感图像分类中的应用， 使用 ViT 模型和 iBOT 框架进行预训练可以提高模型预测性能。

    Jul, 2023

  • 利用自监督深度学习增强乳腺癌筛查乳腺 X 线摄影的检测能力

    本研究探讨了基于强数据扩充的无监督自我学习技术在人工智能应用中的重要作用，以乳腺癌检测为例，通过实验验证表明使用该技术可以大幅提高数据利用率，而且更容易迁移到其他数据集，是医学图像人工智能领域迈向无监督学习和去掉传统稀缺标签的重要突破。

    Mar, 2022

  • 用于合成孔径声纳图像的直方图层

    本文介绍了一种新的 SAS 图像处理方法 —— 直方图层，通过将直方图层加入深度学习模型，不仅可以提取统计纹理信息，还可以提高合成和真实 SAS 数据集的分析性能。

    Sep, 2022

  • 自主驾驶车辆感知的自监督学习：分析和学习方法的调和

    本文介绍了自监督学习技术在自动驾驶感知中的应用，其能够替代传统手动标注的方式，为自动驾驶中的不同任务提供了有效的替代方法，并提出了未来自监督学习系统设计中的重要挑战。

    Oct, 2019

  • 探索 DINO：合成孔径雷达图像的新特性与限制

    通过使用非标记的合成孔径雷达（SAR）数据，预先训练自监督学习模型（ViT-based DINO 模型）并对其进行微调以预测高分辨率土地覆盖地图，本研究重点探究了 Self-Distillation with No Labels（DINO）算法的特征以及其在合成孔径雷达成像领域的应用，通过对 ViT 背骨网络生成的注意力图与模型的标记嵌入空间进行比较和评估，我们观察到与从头开始训练相比，预训练模型性能略有提升，并讨论了自监督学习在遥感和土地覆盖分割中的局限性和机会，除了微小的性能提高外，我们展示了 ViT 的注意力图在遥感领域具有重要的内在价值，并可能为其他算法提供有用的输入。因此，我们的工作为地球观测提供了更大更好的自监督学习模型的基础。

    Oct, 2023

  • 改进合成训练的声纳图像描述符在水下地点识别中的泛化性能

    自主导航与水下环境中的挑战，主要包括光吸收和水浑浊度等因素，传统视觉算法对声纳生成的声学图像的应用效果较差，而卷积神经网络通常需要大量的标记训练数据，这些数据通常难以获取。因此，我们提出了一种新型的紧凑型深度声纳描述符管道，它能够在仅仅用于合成数据的情况下推广到真实场景，并通过标准的临时规范化 / 预滤波技术提升输入声纳数据的质量。同时，我们还介绍了自定义的合成数据生成过程。通过对合成和公开可用的真实数据的广泛评估，证明了我们提出的方法相较于最先进的方法更加有效。

    Aug, 2023