本文研究 LiDAR 数据获取、语义分割的主题，提出了基于主动学习的方法，包括顺序标注和半监督学习，以提高标注效率和性能。

Sep, 2023

提出了基于边缘指导的标注单元作为新单元以及对类别不平衡的综合性处理，改进的方法在三个基准数据集上相比最先进方法获得了超过 11.2% 的性能提升，并相比基准模型提高了超过 18.6% 的性能表现，为未来关于航空图像语义分割的主动学习研究建立了公平而强大的基准。

May, 2024

本文介绍了一种基于对称全卷积神经网络和小波变换的航空车道标线自动分割方法，该方法在使用新型数据增强步骤和自定义损失函数的前提下，在不使用第三方信息的情况下实现了车道标线的高精度像素定位。同时，本文介绍了我们在实验中使用的第一个高质量数据集，该数据集可公开使用，并且可以用作此领域未来算法的基准数据集。

Mar, 2018

利用未见数据的边缘信息作为先验信息进行不确定度测量，提出了 EdgeAL 主动学习算法，并在多类别光学相干断层扫描（OCT）分割任务中取得了 99% 的 Dice 分数，同时将注释标签成本分别降低了 12%、2.3% 和 3%（在三个公开数据集 Duke，AROI 和 UMN 上）

Jul, 2023

建了一个大规模的用于车道检测的航拍图像数据集，并开发了一种基于深度学习的航拍图像车道检测方法，通过两个阶段实现精细级车道线提取和拓扑结构的识别。

Dec, 2023

本文介绍了使用高清地图上的 2D 杆状特征对图像进行自动标注，并利用附加的激光雷达传感器对遮挡特征进行过滤，并演示了如何训练物体探测器来检测杆状特征。在自动生成的数据和手动标注的数据的比较中，我们验证了该方法的有效性。

Mar, 2024

我们提出了使用等面矩形进行对象检测的方法，以替换基于像素分类的多边形化，从而更有效地完成光学字符识别中的版面分析任务。对历史文献进行测试时，使用 YOLOv5 的结果比 Kraken 更为优秀。我们提供了两个历史文献训练和评估数据集，并发布了一个新软件包，YALTAi，它将 YOLOv5 注入到 Kraken 4.1 的分割流程中。

Jul, 2022

基于机器学习的计算机视觉模型在自然灾害后的应急管理操作中是有前景的工具，而空中拍摄的照片则可以为情境感知和损伤评估等应用提供宝贵的信息。然而，在灾害发生后可能拍摄的数以万计的照片中，应急管理人员通常面临寻找最相关照片的挑战。为了解决这个问题，我们提出了 LADI v2 数据集，这是一个由美国国土出生队（Civil Air Patrol, CAP）于 2015 年至 2023 年响应联邦宣布的紧急情况期间捕获的约 10,000 张灾害图像的精选集，并由经过培训的 CAP 志愿者注释为多标签分类。我们还提供了两个预训练的基线分类器，并将它们的性能与最先进的图像 - 语言模型在多标签分类中进行了比较。我们公开发布数据和代码来支持应急管理研究和应用中计算机视觉模型的开发。

Jun, 2024

该研究提出了一种基于对比学习的新型主动学习策略 COALSamp，通过将图像投影到经过精调的潜空间，并从视频帧的局部群集中选择一定数量的代表性图像，来改善手术视频分割的模型性能。

Nov, 2023

提出一种半自动化的方法，利用估计的 3D 道路平面投影所有图像序列中的标签，以实现图像序列的高效标注，平均每张图像的标注时间缩短到了 5 秒，无需使用昂贵的传感器设备，同时发布了一个包含 24,000 张图像的数据集并展示了实验结果。

Jul, 2018