我们提出了一种利用师生网络 (SSOD-AT) 来增强遥感图像半监督目标检测 (SSOD) 的新型主动学习 (AL) 方法，该方法利用 RoI 比较模块 (RoICM) 生成高置信度伪标签，同时使用 RoICM 识别不确定度前 K 个图像，并引入多样性准则来减少人工标注中的冗余。实验证明，我们的方法在遥感图像中的目标检测方面优于现有方法。

Feb, 2024

减少标注数量并保持算法性能，通过主动学习算法在活动数据集中进行标签审核，可以提高模型性能，尤其在与不确定性查询策略相结合时。

Sep, 2023

我们提出了一种端到端多模态深度学习算法，用于检测利用遥感图像和多语义参考信息的城市感兴趣区域围栏多边形，通过融合动态人类流动性和物流地址信息的级联模块来评估其时效性。实验结果表明，我们的算法明显优于两种现有方法。

Jan, 2024

本文研究了使用卫星图像语义分割实现自动生成地图的问题。通过使用不同的训练数据集进行对比分析，文章指出采用大规模公开标注来取代部分手动标注可以显著降低成本且不影响语义分割效果

Jul, 2017

本文通过在不同的数据集上使用深度学习的方法，实现了以城市街道场景为基础的图像识别模型对于不同场景下的物体进行准确分类和目标检测，并且通过对于特征向量的提取和降维，成功实现了基于图像碎片的图像检索和分割。

May, 2020

通过基于 OCR 的外部模态引导的数据挖掘框架，我们引入一种名为 OANet（Ocr-Aoi-Net）的方法来提取图像的统计特征作为第二个模态，以提升自动光学检测（AOI）模型的性能，并通过特征的精细融合和优化来提高推理和决策能力，在挑战性场景中明显提高缺陷检测模型的召回率并保持高鲁棒性。

Mar, 2024

本论文提出了一种新颖的自适应语言驱动的人物物体交互检测方法，名为 FreeA，利用 CLIP 的适应性生成潜在的交互标签，通过匹配人物物体对的图像特征和 HOI 文本模板，并结合基于先验知识的掩膜方法来抑制不可能的交互，进一步提高生成的 HOI 标签的准确性。实验结果表明，FreeA 在弱监督 HOI 模型中在定位和分类交互动作方面的表现优于最新的弱监督模型和最新的弱监督模型，分别比 HICO-DET 上的平均精度（mAP）高 8.58、V-COCO 上的 mAP 高 1.23，和 mAP 高 1.68 和 mAP 高 7.28。代码将在此 https URL 上提供。

Mar, 2024

我们提出了 ObjectLab 算法，用于检测目标检测标签中的各种错误，包括：漏掉的边界框、位置错误的边界框和错误的类别标签分配。ObjectLab 利用任何经过训练的目标检测模型对每个图像的标签质量进行评分，从而可以自动优先考虑进行标签的审查和修正。适当处理错误数据可训练出更好的目标检测模型的版本，而无需更改现有的建模代码。ObjectLab 在不同的目标检测数据集（包括 COCO）和不同的模型（包括 Detectron-X101 和 Faster-RCNN）上始终比其他标签质量评分方法更准确地检测到注释错误的存在。

Sep, 2023

本研究提出了一种新的方法来在包含类标注和边界框注释的噪声数据集上训练目标检测器，能高效地分离这些噪音并进行纠正，使训练得到的检测器能够显著优于基准检测器。

Oct, 2021

本文提出了 EasyLabel 工具来方便地获取密集杂乱场景中像素级别的高质量实体标注。使用该工具生成的 Object Cluttered Indoor Dataset (OCID) 用于系统地比较现有的物体分割方法，并揭示了通过逐像素逐物体标注来提高机器人视觉现实应用的必要性。

Feb, 2019