学习从噪声标注中检测遥感图像中的云和雪
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
通过创新的模型无关的云自适应标注（CAL）方法来提高云分割模型的性能，该方法使用原始标注进行训练，然后利用可调节的像素强度阈值对云训练图像进行自适应标注，最终通过此方法显著提高现有分割模型的性能。
Nov, 2023
提出了利用噪声标签进行遥感图像分割任务特定预训练的方法，并研究其对饱和模型的影响和鲁棒性。实验证明了该方法在提高预训练策略准确性和多样性方面的潜力。
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
本研究探讨了利用卷积长短时记忆网络进行植被分类的云覆盖鲁棒性，包括可视化内部细胞激活和对不同云覆盖数据集进行消融实验，结果表明网络内部已经自动学习了云过滤机制，进一步证明了多时间深度学习方法的预处理流程的必要性存在疑问。
Oct, 2018
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
该研究提出了一种新的自监督学习框架来去除 LiDAR 点云中的雪点，并取得了最先进的无标签方法的性能，同时也可以作为一种先前任务来提高有监督训练的标签效率。
Aug, 2022
本研究利用计算机视觉方法，在人行道和路面上检测积雪，以减少冬季相关的跌倒伤害，特别是对于老年人和视障人士。该研究采用经过精细调整的 VGG-19 和 ResNet50 卷积神经网络，重点是在这些图像中识别积雪的存在。研究使用包含 98 个图像的数据集，均匀分为积雪和无积雪条件，采用 F1 得分和准确性度量标准对其进行评估。本研究通过采用经过精细调整的卷积神经网络架构，有效地从智能手机拍摄的图像中检测到路面上的积雪，建立在现有研究的基础上。该方法结合了迁移学习和模型集成技术，综合了 VGG19 和 ResNet50 架构的最佳预测结果。这项研究展示了计算机视觉在应对冬季相关危害中对弱势群体的潜力，并取得了 81.8% 和 81.7% 的准确性和 F1 得分。
Jun, 2024
通过引入一种新的框架和流程，我们提出了一种改善恶劣天气下目标检测的方法，重点解决了传统方法在交通信号灯检测方面由于恶劣天气所引起的领域转移问题。我们详细分析了现有技术的局限性，我们的流程在雪天、雨天和雾天中显著提高了检测精度。结果显示与简单调整相比，平均 IoU 和 F1 分数提高了 40.8％，在域转移情况下（如在人工雪天训练，在雨天图片测试）性能提高了 22.4％。
Jun, 2024