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

使用深度学习方法基于热像图的分割框架，自动识别与剪裁导致能量损耗的热量损失源，并消除图像中的障碍物，从而减少人力繁重的任务，并提供自动化、一致且可靠的解决方案，以准确衡量苏格兰住宅中的能量损失。

Aug, 2023

通过使用来自 Sentinel-3 卫星、气象预测和其他遥感输入的数据，本研究介绍了一种新颖的机器学习模型，旨在生成详细的时空地图，预测都灵市 24 小时内的最高温度。实验结果表明，该模型在预测温度模式方面表现出色，对于 2023 年分辨率为每像素 20 米的情况，均方根误差为 2.09 摄氏度，从而丰富了我们对城市气候行为的认识。这项研究增进了我们对城市微气候的理解，强调了跨学科数据整合的重要性，并为缓解极端城市温度的负面影响的知情决策制定奠定了基础。

May, 2024

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

利用卫星派生数据产品和机载全球定位和姿态估计，我们提出了一种自动为航空器捕获的热成像生成语义分割注释的新方法。通过结合热条件细化步骤和可视化基础模型，我们的方法可以使用低分辨率的卫星土地覆盖数据产生高精度的语义分割标签，并且相比于目前用于生成 RGB 成像注释的基于大型视觉 - 语言模型的零样本语义分割方法，我们的方法在性能上实现了 70-160% 的改善。

Mar, 2024

本研究提出了一种新的神经网络体系结构，称为边缘条件卷积神经网络（EC-CNN），用于热成像语义分割，并构建了一个新的 SODA 数据集进行评估，结果表明 EC-CNN 对于热成像语义分割的效果优于现有的现有的最先进方法。

Jul, 2019

使用自监督学习的热点检测方法结合集成分类器和精确热点隔离技术，在热成像中能够准确识别和定位热点，并在多个领域中应用。

Aug, 2023

本研究提出了一种神经网络模型，能够在无人机收集的热像图中识别小型和超小型目标。模型结构包括骨干网络、中间层和预测头，其中骨干网络基于 YOLOv5 结构，结尾使用了 Transformer 编码器。中间层采用了 BI-FPN 块以及滑动窗口和 Transformer 增加预测头的信息输入。预测头通过 Sigmoid 函数对特征图执行检测。Transformer 的注意力和滑动窗口的使用提高了识别准确性，同时保持了模型在嵌入式系统中的合理参数和计算需求。实验在公共数据集 VEDAI 和自己收集的数据集上进行，结果表明，与 ResNet、Faster RCNN、ComNet、ViT、YOLOv5、SMPNet 和 DPNetV3 等最先进方法相比，本模型具有更高的准确度。在嵌入式计算机 Jetson AGX 上的实验表明，本模型实现了实时计算，并具有超过 90% 的稳定性率。

Feb, 2024

本文报道了使用热成像技术可以检测口罩佩戴的位置和类型，从而解决新冠病毒传播的问题，针对不同的深度学习模型，本文提出了一种 Yolov5 模型及一个基于卷积神经网络的自编码器分类器，准确率分别达到 97％和 91％。

Apr, 2023