Oct, 2023

标签类型对使用航空影像训练 SWIN 模型的影响

PDF
TL;DR本研究通过比较使用边界框和分割标签来训练平移窗口变换器的模型，对数据集设计对模型训练和性能的影响进行了研究，发现只使用目标像素训练的模型在分类任务中没有性能改善，而边界框在物体检测性能上与分割标签等价。通过确定这一结果在数据类型和模型架构上的一致性，可以在生成遥感数据集时实现可观的成本节约。
data set designmodel trainingremote sensingbounding boxessegmentation labels
发现论文，激发创造
  • 航拍图像中唯一必要的是中心点

    本研究使用中心点进行标注，开发了单阶段和两阶段网络结构，在三个航拍目标检测数据集上表现和使用更详细标注的方法几乎等效。

    Oct, 2022

  • 从在线地图学习航空图像分割

    本文研究了使用卫星图像语义分割实现自动生成地图的问题。通过使用不同的训练数据集进行对比分析，文章指出采用大规模公开标注来取代部分手动标注可以显著降低成本且不影响语义分割效果

    Jul, 2017

  • 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

  • 标签并不平等：训练物体检测的标签成本合理化

    本文提出了一个统一的主动学习框架，并考虑到了检测器的不确定性和鲁棒性，从而保证了网络在所有类中的良好表现，并利用自动标注抑制潜在的分布漂移，提高了模型的性能。实验表明，我们的方法在 PASCAL VOC07+12 和 MS-COCO 上始终优于广泛应用的主动学习方法，在 mAP 上提高了 7.7%, 或在标注成本上降低了 82%。

    Jun, 2021

  • 深度学习中颜色和纹理扭曲对地球观测数据的影响

    土地覆盖分类和变化检测是遥感和地球观测的两个重要应用，利用深度学习的最新架构对它们进行的分类任务取得了明显的进展，但对输入数据的不同视觉特征对模型预测结果的影响尚不明确，因此本研究系统地分析了无扭曲训练模型在推理过程中对颜色和纹理等多种特征的敏感性，发现对纹理的敏感性更大，这些发现不仅揭示了被广泛应用的土地覆盖分类模型的有趣特点，也指导了地球观测领域更鲁棒模型的开发。

    Mar, 2024

  • 自助学习多模态预训练在 3D 目标检测中的应用

    通过使用与图像相关的 shelf-supervision 模型对配对的 RGB 和 LiDAR 数据进行无监督预训练，我们提出了一种能够生成零样本 3D 边界框的点云表示方法，这种方法在半监督检测中能够显著提高检测准确性，尤其适用于 LiDAR-only 和多模态 (RGB + LiDAR) 检测。我们在 nuScenes 和 WOD 上展示了我们方法的有效性，并在有限数据环境中明显改进了之前的工作。

    Jun, 2024

  • 可伸缩的三维物体检测的伪标记技术

    研究了使用伪标签在无监督训练中提高 3D 物体检测效率的方法，并证明伪标签训练的学生模型在一些情况下可以胜过使用更多标记样本的监督模型。

    Mar, 2021

  • 基础数据集设计对少样本图像分类的影响

    本文系统地研究了训练数据变化对深度图像特征的质量和通用性的影响，并提出了关键实用问题，如在固定注释预算情况下，每类图像数量和类别数量之间的最佳权衡

    Jul, 2020

  • 进一步推进：利用伪标签在标签稀缺的小农地区进行领域划分

    使用稀缺土地勾画伪标签进行精调模型在大范围应用中具有很好的性能，并且在缺乏标注数据的情况下，伪标签的使用可以显著提高模型的性能，尤其是在 Sub-Saharan Africa 等标注数据匮乏的地区。

    Dec, 2023

  • 背景去除对时尚图像分类和分割神经网络性能的影响

    通过移除时尚图像的背景以提高数据质量和模型性能，本文对时尚图像进行背景去除的研究进行了实验，结果表明背景去除能够有效地提高简单网络模型在时尚数据分类任务上的准确性，但在深度神经网络中与其他正则化技术不兼容，存在过拟合的风险。

    Aug, 2023