Feb, 2024

对航空数据的计算机视觉分析的全面回顾

PDF
TL;DR通过综合回顾计算机视觉任务，本文全面介绍了航空数据分析领域。主要关注对象检测、变化检测、对象分割和场景级分析等关键任务，并比较了不同架构和任务中使用的各种超参数。还对具有不同领域专业知识的库进行了深入讨论，包括航空数据集、采用的架构细节以及与航空数据分析中所有任务相关的评估指标。通过案例研究，探索了计算机视觉任务在各个领域中的航空数据应用，并提出实用解决方案来应对航空数据分析中固有的挑战。此外，还提出了未解决的重要问题，为未来的航空数据分析研究方向铺平了道路。
发现论文，激发创造
  • 空中监视现状：一项调查

    本文旨在从计算机视觉和模式识别角度全面介绍以人为中心的空中监视任务，主要关注无人机、无人航空器和其他航空平台的应用，探讨其在人类检测、识别、跟踪、行为分析方面的挑战及应对方法，并提出未来研究方向。

    Jan, 2022

  • Agriculture-Vision: 农业模式分析大型航空图像数据库

    本文介绍了一个名为 Agriculture-Vision 的大规模农业航空图像数据集，通过对该数据集进行语义分割的实验，证明了农业在计算机视觉领域中仍面临着许多挑战。

    Jan, 2020

  • 基于视觉的复杂背景和雨天下的无人机检测

    本文研究了计算机视觉和深度学习技术在无人机检测方面的表现，探究了在复杂背景、不同大小、复杂天气等挑战条件下使用一阶段探测器和二阶段探测器进行 UAV 检测的性能，并对两个数据集进行了评估，研究结果为发展更为强大的 UAV 检测方法提供了借鉴。

    May, 2023

  • 无人机点云和航空图像的树木检测方法综述

    无人机在树木检测中的应用方法进行了回顾和分析，包括利用点云数据的 LiDAR 和数字航空摄影 (DAP) 方法以及直接使用图像的深度学习 (DL) 方法，并统计了近年来使用不同方法进行树木检测的研究数量，指出基于图像的 DL 方法在树木检测研究中已成为主流趋势。该回顾可为希望在特定森林进行树木检测研究的科研人员提供帮助和指导，同时也可帮助农民利用无人机管理农业生产。

    Sep, 2023

  • 航拍影像中的目标检测：如何提高精度？

    本文研究了基于深度学习的 Faster R-CNN 在航空图像目标检测中的应用，通过对多种策略的探索，成功提升了模型在 iSAID 数据集上的平均精度（mAP），为航空图像目标检测提出了有效的解决方案。

    Jan, 2022

  • 面向航空图像的开放式语义分割

    本研究致力于解决遥感图像 open-set 场景下的语义分割技术的问题，开发出一种新的方法，并对其进行了评估，得出了与封闭集方法相同数据集相比具有竞争力的结果

    Jan, 2020

  • 基于道路和路口识别匹配的航拍图像地理定位

    本文提出一种新颖的方法，通过识别和匹配道路和交叉口，实现对空中图像进行自动地理定位，并且使用 OpenStreetMap 收集地面真实道路注释，在数个实验中体现了高精度的本地化效果，同时还表明检测到的道路和以前手动标记的地图之间的几何对准可以有效地用于改进道路检测结果。

    May, 2016

  • 计算机视觉任务的深度学习综述

    本文旨在概述深度学习算法在计算机视觉领域的应用，包括图像分类，目标识别，图像提取和语义分割等方面，同时讨论了构建和训练深度神经网络面临的未来范围和挑战。

    Apr, 2018

  • 基于深度学习算法的人工智能与计算机视觉的集成与性能分析

    深度学习与计算机视觉技术的集成应用效果的分析，通过构建分层神经网络实现了历史性的突破，能够进行端到端的特征学习和图像的语义理解，提出了深度神经网络模型在图像分类等任务中的卓越性能，同时指出了其在泛化和可解释性方面的局限性，并提出了未来改进的方向。深度学习与大量视觉数据的高效集成和发展趋势将继续推动计算机视觉领域的技术突破和应用扩展，构建真正智能的机器视觉系统。这种融合模式将为计算机视觉中前所未有的任务和功能提供强大的推动力，为相关学科和产业提供更强的发展动力。

    Dec, 2023

  • 遥感变化检测方法的综述：过去十年的全面回顾

    此文章综述了遥感变化检测中深度学习在图像处理中的重要性，提供了算法分类和数据集分类的综述，并总结了现有算法的性能，为未来的研究方向提供了启示。

    May, 2023