Feb, 2024

电致发光太阳电池图像缺陷检测预训练模型的大规模评估

PDF
TL;DR对太阳能电池缺陷检测中预训练方法的大规模评估和基准测试表明，特定预训练方案在低表示类别上实现卓越性能，为该领域中自监督和半监督训练技术的进一步研究提供了大型无标签电致发光图像数据集和标记的语义分割电致发光图像数据集。
发现论文，激发创造
  • PV-S3：利用半监督语义分割技术提升光致发光图像自动光伏缺陷检测

    提出了一种用于光致发光图像的缺陷语义分割的 PV-S3（光伏半监督分割）半监督学习方法，通过使用少量标记图像和大量未标记图像训练深度学习模型 PV-S3，并引入一种新的半交叉熵损失函数，实现了在降低注释成本的同时提高了性能。

    Apr, 2024

  • 一种可扩展的架构，用于在电致发光图像中标注光伏电池缺陷

    该研究提出一种结合最新的数据驱动技术的方法，用于自动检测光伏电池电子发光图像中的异常，并生成高级注释以降低标注成本。该方法具有适应各种光伏电池类型、成本效益高的微调和利用公共数据集生成高级标注的特点。通过在广泛使用的数据集中进行注释，标注成本降低了 60%。

    Dec, 2022

  • 电子显微镜的自监督学习：面向高级图像分析的基础模型

    通过自监督学习从未标记的电子显微镜数据集中提取关键信息，并展示了自监督预训练在语义分割、去噪、去除噪音和背景、超分辨率等多个下游任务中的优势，尤其对于有限的标注数据和计算成本的高效扩展，通过实验证明了自监督预训练的灵活性和可靠性。

    Feb, 2024

  • 电致发光图像中缺陷光伏电池的自动分类

    研究使用基于手工特征和基于深度卷积神经网络（CNN）的两种方法，在高分辨率电致发光（EL）图像中自动检测光伏电池的缺陷，其中 CNN 方法准确率达到 88.42％。

    Jul, 2018

  • 对比检测的高效视觉预训练

    引入对比检测算法的自监督目标，通过在图像增强中识别物体水平特征提取富有学习信息的信号，实现高效的自监督预训练，拥有多种下游任务的领先转移精度。在 ImageNet 预训练模型表现与大型自监督系统 SEER 相当的同时，需要少至 10 倍的预训练数据量，最终该目标还能轻松应对更复杂的图像。

    Mar, 2021

  • 多标签引导的软对比学习用于高效地球观测预训练

    利用自监督预训练技术在大规模卫星数据上取得了重要进展，同时发现在地表覆盖地表利用产品等自由全球语义信息资源和自然世界的视觉基础模型等重要资源的应用能显著提高地球观测预训练的效率和效果。

    May, 2024

  • 自监督预训练在皮肤病变分析中的评估

    本文比较了三种自监督预训练模型和一个有监督的基线模型，在五个数据集上进行了皮肤病变的诊断。结果表明，自监督预训练模型可以在提高准确性和降低结果的变异性方面与有监督的基线模型相媲美，尤其在数据量少的情况下表现更加稳定和优秀。

    Jun, 2021

  • 太阳能面板分割：自监督学习在不完美数据集上的应用

    采用自我监督学习（Self-Supervised Learning）的方法可以显著提高模型的泛化能力，在各种条件下减少对手动标注数据的依赖，为稳健且适应性强的太阳能板分割解决方案铺平了道路。

    Feb, 2024

  • 重新思考预训练和自训练

    在计算机视觉中，自我训练是一种使用额外数据的替代方法，与常用的预训练模型初始化方法相比具有更强的通用性和灵活性，并提供了新的见解，包括：1）更强的数据增强和更多标记数据会进一步降低预训练的价值，2）自我训练在低数据和高数据环境下使用更强的数据增强时都有帮助，3）在预训练有效的情况下，自我训练能够进一步提高对象检测的准确性。

    Jun, 2020

  • 自监督预训练用于二维医学图像分割

    本文探讨了在医学图像分割中监督学习与自监督学习的预训练方法，发现在自监督学习方法中，使用自然图像和目标领域特定图像进行预训练可以实现最快和最稳定的收敛，在低数据场景下，将图像分类网络预训练在 ImageNet 上可以获得最佳精度。

    Sep, 2022