Nov, 2023

SafeSea: 人工合成数据生成极端及低概率海事环境

PDF
TL;DR通过引入 SafeSea 方法，我们能够快速生成多样的天气条件背景的海洋图像数据集，在训练海洋物体检测模型时起到重要作用，并观察到天气条件对检测准确性的影响。
high-quality training datamaritime object detectionsafesea datasetstormy sea backgroundsweather conditions
发现论文，激发创造
  • SimuShips -- 一份高分辨率的模拟船只检测数据集，具备精确标注

    本文介绍了一种名为 SimuShips 的用于海上环境的基于模拟的数据集，其中包含各种类型的障碍物，经过了多种气象和照明条件的处理，并通过边界框的形式提供了注释。同时，我们使用 YOLOv5 进行实验，并发现将真实图像与模拟图像相结合可以提高所有类别的召回率。

    Sep, 2022

  • 大数据神话：使用扩散模型进行数据集生成以训练深度检测模型

    本研究提出了一种通过微调预训练的稳定扩散模型生成合成数据集的框架，并用于对象检测模型的训练，研究结果表明，在苹果果园检测中，合成数据训练的对象检测模型的性能与真实世界图像训练得到的基线模型相似，这表明了合成数据生成技术作为深度模型训练的可行替代方法的潜力。

    Jun, 2023

  • ConstScene: 在施工环境中推进鲁棒语义分割的数据集和模型

    针对建筑工地的多样挑战，介绍了一个新的语义分割数据集，以增强目标检测模型在不同的天气和环境条件下的训练和评估，从而促进其在实际建筑应用中的适应能力和可靠性。

    Dec, 2023

  • 一种生成用于视觉集装箱检查的合成标记数据集的方法

    本文介绍了一种创新的方法来生成一个逼真、多样、平衡和带标签的数据集，用于集装箱在码头环境下的视觉检查任务，并且我们证明了生成的合成标记数据集可以用于训练可以在实际环境中使用的深度神经网络。此外，我们提供了第一个开放的合成标记数据集 “SeaFront”。

    Jun, 2023

  • 一种深度学习方法用于海洋雪合成与去除

    通过使用深度学习技术，该研究提出了一种新方法来减少水下图像中的浮游生物干扰，通过训练生成对抗网络模型合成逼真的浮游生物样本，并将其与自然水下图像相结合创建配对数据集，然后使用 U-Net 模型进行图像翻译任务来去除浮游生物干扰。实验结果表明，该方法能够高精度地去除合成和自然的浮游生物，并且胜过中值滤波器及其自适应变体等最先进的方法。同时，通过在 MSRB 数据集上的测试，研究还展示了该方法的鲁棒性，该数据集包含了我们模型在训练过程中未曾见过的合成伪影。该方法是一种改善受浮游生物影响的水下图像的实用高效解决方案。

    Nov, 2023

  • 语义分割中的可靠性问题：我们能否使用合成数据？

    本文挑战了最先进的生成模型，通过对稳定扩散进行微调，在语义分割方面自动生成合成数据以评估其可靠性。通过广泛实验，我们表明合成数据与真实异常数据的表现之间存在高度相关性，从而显示了该方法的有效性。此外，我们说明了如何利用合成数据来提高分割器的校准和异常检测能力。

    Dec, 2023

  • 船只映入眼帘：船图像超分辨率的扩散模型

    我们的研究聚焦于船舶图像的超分辨率问题，在基于扩散模型的架构中，利用文本条件的训练来生成超分辨率图像，同时探索了该模型在分类和目标检测等下游任务中的潜在应用。

    Mar, 2024

  • 物理启发的合成水下图像数据集

    该论文介绍了一种物理启发合成的水下图像数据集（PHISWID），它是为改善水下图像处理而定制的数据集。PHISWID 通过提供一套配对的真实（大气）和合成退化的水下图像，展示了颜色降低和海洋雪的影响，填补了使用基于物理方法合成的水下图像数据集的空白。PHISWID 特别适用于监督学习中深度神经网络的训练和基准分析中的图像质量客观评估。

    Apr, 2024

  • 基于深度学习的海上无人机影像目标检测：综述与实验比较

    利用海洋无人机进行目标检测的深度学习技术在海洋工程和海洋行业的应用越来越重要。本文综述了海洋无人机目标检测面临的挑战、相关方法以及无人机航拍数据集，并提出了一个名为 MS2ship 的海洋无人机航拍数据集用于船只检测。通过一系列实验评估和鲁棒性分析，论文展示了这些目标检测方法在海洋数据集上的性能，并对未来的海洋无人机目标检测工作进行了讨论和展望。

    Nov, 2023

  • 无人航天器图像的语义图像分割的合成数据

    我们提出了一种生成合成图像数据的方法，用于语义分割，为其他任务提供泛化能力，并提供由无人驾驶宇宙飞船的二维单眼图像组成的原型合成图像数据集，以便进一步研究自主空间飞行器汇合问题。我们在这些合成数据上展示了强的基准结果（Sørensen-Dice 系数为 0.8723），表明训练良好性能的图像分割模型对此任务是可行的，特别是如果目标航天器及其配置已知。

    Nov, 2022