增强遥感云理解的自适应标记
对云的分割从遥感图像进行了七种切割和检测算法的基准分析,评估了其架构方法,并确定了最佳性能。评估了模型在使用少量光谱波段进行云图分割时的灵活性。使用 Sentinel-2 和 Landsat-8 作为数据集进行了实验验证。
Feb, 2024
该论文提出了一种标签效率的方法,通过使用少量已标记示例来学习从非常少量标记的点云中分割恶劣天气的点,并利用半监督学习方法生成伪标签,从而显著增加训练数据量,同时还在训练过程中整合了好的天气数据,从而在良好和恶劣天气条件下均能取得高性能。在真实和合成数据集上的结果显示,我们的方法在检测雪、雾和水雾方面表现良好。此外,我们在使用的标记数据只有一小部分的情况下,实现了与完全监督方法相竞争的性能。
Jun, 2024
通过构建新的数据集、提出新的训练策略以及设计更适用的模型性能评估方法,本文首次考虑标签噪声对遥感图像中云和雪的检测的影响,并验证了所提出方法的有效性。
Jan, 2024
通过卫星图像的语义分割进行遥感技术研究,有利于了解和利用地球表面。本文提出一种低成本的标记方法,通过众包或预训练网络标记图像,并利用主动学习策略在第二步精细化标注图像。实验结果表明,对语义分割网络进行主动标注精化能够提高性能。
Sep, 2023
本文提出的伪标签辅助点云分割方法,可使用非常少的弱标签 (稀疏采样的) 以较低的标注成本获得与全监督方案相同的结果,并且提出了自适应阈值策略来生成基于预测概率的伪标签进行学习。实验证明,本方法在 ISPRS 3D 语义标注基准数据集上取得了 83.7% 的整体准确率和 70.2% 的平均 F1 分数。
May, 2021
我们提出了一种用于多种恶劣天气条件下的语义分割的方法,它结合了自适应知识获取、伪标签混合和天气组合回放,能够在增强模型适应性和鲁棒性的同时避免遗忘和不断改进先前学习的天气信息,实现了比现有方法更好的性能。
Jan, 2024
我们提出了一种针对遥感数据的高效半监督学习方法,通过适应 FixMatch 框架以及消除训练数据中的偏差,使用已标记数据的 30% 在遥感数据集上相较于基准监督学习方法提供了 7.1% 的准确度提升,以及相较于监督学习的最新方法 CDS 提供了 2.1% 的准确度提升。
Dec, 2023
本文利用 3D 点云中表面稀疏采样的特征,引入稀疏体素完成网络 (SVCN) 进行前景表面的完成。同时,我们使用局部对抗学习构建 3D 表面的先验知识。结果表明,在处理不同 LiDAR 传感器数据的跨域语义分割问题时,我们提出的方法比现有方法提高了 8.2%-36.6% 的分类性能。
Jul, 2020
通过使用卷积神经网络和激光雷达数据,本研究旨在提高图像分割的效率,特别是在自动驾驶系统中的道路表面分割任务中,通过减少标注工作量并在不降低分割质量的情况下训练图像分割模型。
Nov, 2023
本论文提出了一种弱监督点云分割方法,可以在训练阶段仅标记极少量点,通过学习梯度近似和利用额外的空间和颜色平滑约束来实现,性能接近或甚至优于全监督的方法,具有很高的实用性。
Apr, 2020