Sep, 2023

探索不同层次的监督方法用于遥感图像上太阳能电池板的检测与定位

PDF
TL;DR本研究探讨了遥感图像中的目标存在检测和定位问题，主要关注太阳能电池板的识别。我们评估了三种模型的不同监督水平，分别为完全监督的目标检测器、基于 CAM 的弱监督图像分类器与定位器以及最小监督异常检测器。分类器在二值目标存在检测方面表现出色（0.79 的 F1 得分），而目标检测器则提供了精确的定位（0.72 的得分）。异常检测器需要更多数据以获得可行的性能。模型结果的融合显示出潜在的准确度提升。CAM 对定位的影响有限，GradCAM、GradCAM++ 和 HiResCAM 得到了更好的结果。值得注意的是，与目标检测器相比，分类器在数据较少的情况下仍然表现出鲁棒性。
object presence detectionlocalizationsolar panel recognitionsupervised object detectorweakly supervised image classifier
发现论文，激发创造
  • 弱监督目标定位与检测综述

    本文综述了弱监督物体定位和检测领域中的经典模型、深度网络特征表示法、基于纯深度学习的方法及公共数据集和标准评估指标等内容。同时也讨论了该领域的发展历程、方法类别间的关系、应用以及未来研究方向等。

    Apr, 2021

  • 遥感图像中的少样本目标检测

    本文介绍了一种基于少样本学习的遥感影像目标检测方法，主要由元特征提取器、自适应权重分配模块和边界框预测模块组成，实现了在较少标注数据情况下，在遥感影像上的目标检测，表现优于其他基线模型。

    Jun, 2020

  • 基于红外人数统计的监督级别权衡评估

    研究探讨了使用较弱监督水平对深度人数计数体系结构在图像分类和点级定位方面的性能造成的影响，实验证明使用 CNN 图像级模型计数人数能够以竞争性结果达到 YOLO 检测器和点级模型的水平，并且提供更高的帧率和相似数量的模型参数。

    Nov, 2023

  • 光学遥感图像物体检测综述

    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

  • 探索卫星图像中的少样本目标检测的鲁棒特征

    本文旨在使用仅有少量示例来进行卫星图像中的目标检测，从而使用户能够使用最少的注释来指定任何目标类。我们探讨了来自开放词汇检测和遥感领域的最新方法和思路。我们基于传统的两阶段架构开发了一个少样本目标检测器，其中分类块被基于原型的分类器替代。我们使用大规模预训练模型构建类参考嵌入或原型，并与区域建议内容进行标签预测。另外，我们提出在可用的训练图像上微调原型，以提高性能并学习类似类别之间的差异，例如飞机类型。我们对包含具有挑战性和罕见对象的两个遥感数据集进行了广泛评估。此外，我们研究了视觉和图像文本特征的性能，即 DINOv2 和 CLIP，包括专门针对遥感应用的两个 CLIP 模型。结果表明，视觉特征在很大程度上优于视觉语言模型，因为后者缺乏必要的领域特定词汇。最后，尽管训练参数很少，但开发的检测器在 SIMD 和 DIOR 数据集上表现出优于全监督和少样本方法的性能。

    Mar, 2024

  • 使用深度特征图进行弱监督定位

    本文提出了一种使用仅图像标签训练的分类网络的弱监督对象定位算法，该方法利用卷积层中捕获的局部空间和语义模式来检测和定位图像中的多个物体，通过采用有效的束搜索方法，该方法在标准对象定位数据集中明显优于现有技术，mAP 得分提高了 8 个点。

    Mar, 2016

  • 利用图像标签进行弱监督显著目标检测

    本篇论文提出采用无监督学习方法生成的显著图用于像素级注释，在此基础上采用简单而有效的算法训练卷积神经网络，使用图形模型和完全卷积网络为模型更新修复标签歧义和更新粗糙激活地图，结果表明，该算法与目前最佳的强监管方法相当，性能明显优于所有最新的无监督显著性检测方法。

    Mar, 2018

  • 弱监督实例注意力用于多源细粒度目标识别及其在树种分类中的应用

    本文提出了一种利用深度学习，多源影像识别中基于特征融合的对象识别方法，其中包括多源影像处理、单源深度学习和弱监督学习，并比较了各种方法的性能，结果表明本文所提出的特征融合方法提升了 5.7% 的识别准确度。

    May, 2021

  • SupFusion: 基于监督的 LiDAR - 相机融合的 3D 目标检测

    本文提出了一种名为 SupFusion 的新型训练策略，为 LiDAR-Camera 融合提供辅助的特征级监督并显著提升检测性能。该策略包括了一种称为 Polar Sampling 的数据增强方法，通过稠密化稀疏物体和训练辅助模型生成高质量特征来进行监督。这些特征被用于训练 LiDAR-Camera 融合模型，其中融合特征被优化以模拟生成的高质量特征。此外，本文还提出了一种简单而有效的深度融合模块，与之前的融合方法相比，连续获得更优越的性能。通过这种方式，我们的提议具有以下优势：首先，SupFusion 引入了辅助的特征级监督，可以提升 LiDAR-Camera 检测性能而不增加额外的推断成本。其次，所提出的深度融合模块可以持续提升检测器的能力。我们的提议 SupFusion 和深度融合模块是即插即用的，我们进行了大量实验证明了其有效性。特别是基于多个 LiDAR-Camera 3D 检测器，在 KITTI 基准测试中获得了约 2% 的 3D mAP 改进。

    Sep, 2023

  • 基于弱监督学习的多证据过滤与融合方法用于多标签分类、目标检测和语义分割

    该论文提出了一种弱监督课程学习流程，用于多标签对象识别、检测和语义分割的任务，其中包括四个阶段，包括训练图像的对象定位、筛选和融合对象实例、像素标注以及基于任务的网络训练，通过这种流程，实现了在 MS-COCO、PASCAL VOC 2007 和 PASCAL VOC 2012 数据集上进行多标签图像分类以及弱监督对象检测和语义分割的最新成果。

    Feb, 2018