地球观测卫星图像中的移动物体检测
探索在 Planet 影像中检测汽车的方法,并建立大规模的移动物体向量场。在高分辨率 SkySat 卫星和中分辨率 SuperDove 卫星上,静态和移动的汽车均可以可靠地识别。通过利用移动物体的带间位移(或 “彩虹” 效应),我们能够估计移动车辆的速度和方向。而在中分辨率 SuperDove 卫星上识别汽车和卡车更加困难,但同样观察到了彩虹效应,从而使移动车辆能够被检测和向量化。Planet 卫星的频繁重访使得能够对感兴趣的广泛区域和长时间范围内的汽车和卡车活动模式进行分类。
Jun, 2024
利用卫星图像和隐私增强的移动数据相结合的新型数据融合方法,用于增强实时或历史事件推断任务,应用场景包括农村地区的小规模灾害检测(如龙卷风、野火和洪水)、偏远荒野地区失踪徒步者的搜救以及战乱国家的活动冲突区域和人口流离失所地的识别。
Jan, 2024
提出了一种基于回归的运动稳定方法,旨在检测被拍摄的机动飞行器在复杂背景中移动的情况,该方法在运动与外观两方面共同作用下可以对比先进技术更有效地运用时空图像块进行分类,并通过收集两个具有挑战性的数据集为飞行物体检测和视觉引导式避碰创建基准。
Nov, 2014
本文是关于光学遥感图像中物体检测的文献综述,涵盖目标检测的众多方法,包括基于模板匹配、基于知识、机器学习等,同时讨论现有研究的挑战并提出两个有潜在发展的研究方向,即基于深度学习的特征表示和基于弱监督学习的地理空间目标检测。
Mar, 2016
本文提出了一种利用深度学习和流张量时空滤波相结合的多线索检测管道,可以高效地检测移动车辆并结合上下文信息进行语义压缩,以更好地利用空地网络链路的有限带宽。
Jul, 2019
卫星视频对交通监控具有巨大潜力,但由于分辨率和视角的限制,交通监控是一项极具挑战性的任务。本研究构建了一个大规模的卫星交通监控基准,支持微小物体检测、计数和密度估计等多个任务,并在该数据集上评估了经典和最先进的传统计算机视觉方法,以比较不同方法的性能,分析该任务中的挑战,并讨论未来的前景。
Feb, 2024
本文提出了一种新的多帧光流追踪器(MOFT)用于卫星视频中的目标跟踪,该方法融合了 Lucas-Kanade 光流方法、HSV 颜色系统和积分图像,通过对三个 VHR 遥感卫星视频数据集的实验表明,该方法比目前先进的目标跟踪算法更准确。
Apr, 2018
太阳系小天体的科学研究最终从对这些天体的搜索开始。本章对使用机器学习技术在天文图像中寻找移动天体(包括自然和人造天体)的方法进行了综述。综述包括了传统非机器学习技术的简要回顾以及相对不成熟的机器学习文献中的三大类方法:流迹检测、图像序列中移动点源的检测以及位移堆叠搜索中移动源的检测。在大多数情况下,人们使用卷积神经网络,这是很自然的选择。文章还介绍了两个例子网络:一种我设计的残差网络,用于各种位移堆叠搜索,以及一种专门设计用于预测源亮度及其不确定性的卷积神经网络。在讨论文献和例子网络时,我还讨论了机器学习技术的各种潜在问题,包括过拟合的重要问题。我还讨论了与机器学习技术相关的各种陷阱以及在将机器学习应用于新问题时的最佳实践方法,包括创建稳健的训练集、验证和避免过拟合的训练方法。
May, 2024
本文针对对象发现这一问题,通过选择动态对象并使用自编码器提取图像特征并加入来自运动分割的弱学习信号,成功地从复杂场景中分离出运动和静止的动态对象,相较于其它抽象特征的方法在 KITTI 数据集上有更好的表现。
Mar, 2022