我们提出了一种新的方法，通过利用纹理和运动信息作为监督信号，利用在线自监督的方式将 RGB 训练的水域分割网络适用于目标领域的航空热成像。这种新的热成像能力使得当前操作于临海环境中的自主航空机器人能够在夜间执行诸如可视导航、水深测量和流量跟踪等任务。我们的方法克服了稀少且难以获取的临海热成像数据导致传统的有监督和无监督方法无法应用的问题。在这项工作中，我们整理了第一个临近海域热成像航空数据集，证明了我们的方法优于在有限目标领域热成像数据上训练的全监督分割模型，并且在 Nvidia Jetson 嵌入式计算平台上展示了实时功能。本文代码和数据集将在此 https URL 上提供。

Jul, 2023

通过使用红外图像进行语义分割，本研究对现有算法进行了分类，并提出了两种解决方案，一种是使用可见光和红外图像，另一种是只使用红外图像。

May, 2022

本研究提供了首个在自然环境中进行航空机器人操作的公开 RGB - 热数据集。该数据集捕捉了美国大陆各种地形，包括河流、湖泊、海岸线、沙漠和森林，并包含了同步的 RGB、长波热、全球定位和惯性数据。此外，我们为自然环境常见的 10 个类别提供语义分割注释，以促进对逆境天气和夜间条件下鲁棒的感知算法的开发。利用该数据集，我们提出了热和 RGB - 热语义分割、RGB 到热图像转换和视觉惯性测程的新的具有挑战性的基准测试。通过使用最先进的方法进行广泛的实验并强调了我们的数据中面临的时间和地理领域变化所带来的挑战。数据集和附带的代码将在此 https 网址上提供。

Mar, 2024

通过语义场景分割来提供强大的正则化先验以解决立体对应和重建问题的不确定性，利用无意卫星图像进行成对语义立体和多视角语义三维重建的研究已经成为可能。

Nov, 2018

该论文提出了一种基于语义分析的方法，通过比较地面图像与卫星图像的特征，结合语义分割掩模，实现无 GPS 数据的查询地理定位，并在不同视场上通过对 CVUSA 数据集进行测试表明该方法提升了性能。

Apr, 2024

我们提出了一种弱监督学习算法，通过仅依赖查询点标注而非完整遮罩标签训练语义分割算法，从而减少了手动注释所需的成本和时间。我们通过生成超像素将查询点标签扩展到包含相似语义的超像素中，并使用部分带有超像素伪标签的图像来监督语义分割模型的训练。我们在航空图像数据集和不同的语义分割结构上对我们的弱监督训练方法进行了基准测试，结果显示我们可以在减少注释工作量的同时达到与完全监督训练相竞争的性能。

Sep, 2023

我们提出了一种生成合成图像数据的方法，用于语义分割，为其他任务提供泛化能力，并提供由无人驾驶宇宙飞船的二维单眼图像组成的原型合成图像数据集，以便进一步研究自主空间飞行器汇合问题。我们在这些合成数据上展示了强的基准结果（Sørensen-Dice 系数为 0.8723），表明训练良好性能的图像分割模型对此任务是可行的，特别是如果目标航天器及其配置已知。

Nov, 2022

本文提出了一种利用卫星图像进行长距离无人机热成像定位的新方法，并通过多种域自适应方法解决配对热成像和卫星图像有限的可用性，实验结果表明该方法的有效性，本研究是首次提出在长距离飞行中利用卫星图像进行热成像定位的方法。

Jun, 2023

本文提出了一种多模态语义分割模型，可以适用于日间和夜间场景，通过引入热成像技术和 RGB 照片，利用现有白天 RGB 数据集实现对夜间图像的学习，并提出了一个新的域对齐训练方法，在自动驾驶方面获得了最新的夜间语义分割结果。

Mar, 2020

本研究探讨如何使用图像级别标注来进行语义分割，通过 Anh 和 Kwak 提出的方法从图像级别标注中生成像素级别标注，并提出了对 AffinityNet 的调整，以进行直接的语义分割。结果表明，生成的标签与原始数据集的性能相同，并且直接使用 AffinityNet 和 Random Walk 进行的语义分割质量接近于最佳完全监督方法。

Apr, 2019