Jan, 2024

透过树木看见道路：一种利用航空影像对空间依赖性建模的基准

PDF
TL;DR本研究提出了一种用于评估地理空间机器学习模型空间远程上下文理解能力的道路分割基准数据集，展示了常用的语义分割模型在该任务中的失败情况，并分析了模型在决策的相关背景（未遮挡的道路）距离变化时的性能变化。
high-resolution satellite imageryspatial reasoninglong-range context understandingroad segmentationgeospatial machine learning models
发现论文，激发创造
  • 无监督高分辨率无人机影像的道路场景解析

    通过使用最新的视觉语言模型和基本的计算机视觉模型，本研究介绍了一种无监督道路解析框架，用于处理超高分辨率的无人机图像，并且无需任何手动标注即可在开发数据集上达到 89.96％的 mIoU。

    Feb, 2024

  • 室内场景识别的语义引导上下文建模

    本文提出了一种基于语义分割的新方法 SpaCoNet，旨在同时模拟对象的空间关系和共现情况，进而在室内场景识别任务中生成语义引导的特征表示，该方法具有良好的通用性和效果。

    May, 2023

  • 学习环视物体，以生成室外场景的俯视图表征

    研究了一个新的问题，即从复杂的室外道路场景的透视视图中估计遮挡推理的语义场景布局，提出了一种卷积神经网络方法，根据前景物体（如汽车或行人）周围的信息来预测场景布局的遮挡部分，直接预测遮挡区域的深度和语义能更好地转换成俯视图，模型的训练不需要昂贵或主观的人工标注。

    Mar, 2018

  • 利用拓扑学进行卫星和航空影像中领域自适应道路分割

    通过远程感知图像的分割获取道路的精确方面对于自主车辆、城市发展规划以及实现可持续发展目标等很多实际应用非常有用。本研究提出了一种基于拓扑感知的无监督领域自适应方法用于道路分割，通过预测道路骨架作为辅助任务来强制施加拓扑约束，并利用基于连通性的伪标签精化策略过滤噪声伪标签，避免出现孔洞和不连续性。在基准数据集上进行的大量实验表明，该方法在 IoU、F1 分数和 APLS 方面相较于现有的最先进方法有最少 6.6%、6.7% 和 9.8% 的较大增益，尤其在 SpaceNet 到 DeepGlobe 的迁移场景上效果更为显著。

    Sep, 2023

  • 地图学习：自动驾驶的视觉常识

    本文提出了一种基于车载摄像头图像的道路布局推断模型，同时构建了一个路况数据集，可以将导航地图的元数据与 Google 街景图像匹配以提供标签，并利用深度卷积网络训练该模型，结果表明该方法可用于提升基础设施安全性。

    Nov, 2016

  • 大规模弱监督学习用于卫星图像中的道路提取

    使用深度学习从卫星图像中自动提取道路是传统手动制图的可行替代方案，本文提出了利用 OpenStreetMap 道路数据作为弱标签和大规模卫星图像进行预训练语义分割模型的方法，并且利用大规模预训练使模型具有更好的泛化能力。

    Sep, 2023

  • SkyScapes -- 空中场景的细粒度语义理解

    介绍了一个名为 SkyScapes 的空中图像数据集，利用该数据集进行密集语义分割和多任务预测，并提出了一种新的多任务模型，相较于基准模型在目标区域轮廓和细节级别方面取得了显著的改进。

    Jul, 2020

  • 透过窗外看世界：用广泛上下文变换器进行高分辨率遥感图像的语义分割

    本文提出了一个使用广域上下文网络和上下文变换器的神经网络方法，用于通过远程传感器图像的地物分类。通过实验验证，该方法在处理高分辨率遥感图像领域中相当有效，同时介绍了一个新的高分辨率卫星数据集，可以促进该领域的未来研究。

    Jun, 2021

  • 面向基于视觉的道路边缘三维物体检测的场景泛化

    该研究论文提出了一种名为 SGV3D 的创新道路边缘 3D 物体检测方案，通过背景抑制模块（BSM）减少视觉中心流程中的背景过拟合问题，并利用半监督数据生成流程（SSDG）利用新场景中的未标记图像生成具有不同摄像机姿态的多样化实例前景，从而提高了在新场景中的检测准确性。

    Jan, 2024

  • 从自动生成分割地图中监测城市森林

    本文研究采用弱监督方法，利用远程感知数据对城市森林进行时空分布量化，并探索利用高分辨率 LiDAR 数据为训练提供嘈杂标签的方法，以探测飓风桑迪带来的影响，实现树木的地理定位。通过针对纽约市的考察，验证研究结果的可靠性。

    Jun, 2022