Jun, 2024

M4Fog：用于海洋雾检测和预测的全球多区域、多模态和多阶段数据集，以连接海洋与大气

PDF
TL;DR通过卫星观测和气象数据，我们构建了全球最全面的海洋雾检测和预测数据集 M4Fog，数据集覆盖 15 个频繁出现海上雾的海洋地区，提供了近 10 年的连续海洋雾阶段的多模态数据，旨在促进机器学习驱动的海洋雾解决方案的发展，减少对人类活动的不利影响。
发现论文，激发创造
  • 智能模型用于中国海洋雾预测

    基于机器学习的方法，通过数值天气预报模型，对扬子江河口（YRE）沿海地区进行了先进的海雾预测方法开发，验证了其在海雾的准确性方面的优势。

    Jul, 2023

  • 加拿大大瀑布地区和萨布尔岛的海洋雾能见度生成

    使用生成深度学习技术对海洋雾可视性进行现在预测，对 FATIMA 项目的观测数据进行分析，提出了条件生成对抗网络的应用。结果表明，生成对抗网络在预测雾可视性方面表现较好，具有潜力进行海洋雾可视性的生成分析。

    Feb, 2024

  • 全球全季 Sentinel-2 卫星影像云去除的多源数据融合

    通过构建一个新的数据集，本文针对云遮挡导致的地球影像质量下降问题，提出了一种适用于不同区域、季节和云覆盖度变化的新型云去除模型，并在两个性能指标上进行了评估。

    Sep, 2020

  • SynFog：基于端到端成像模拟的逼真合成雾数据集，用于提升自动驾驶中的真实环境除雾技术

    通过综合考虑整个基于物理的雾景图像处理过程，本研究提出了一种端到端模拟流程，可以生成逼真的雾霾图像。通过该流程，我们创建了一个名为 SynFog 的新的人工合成雾霾数据集，包括天空光和主动照明条件，并提供三个不同浓度的雾霾。实验结果表明，在应用于现实中的雾霾图像时，基于 SynFog 训练的模型在视觉感知和检测准确性方面表现优异。

    Mar, 2024

  • 使用合成数据进行语义模糊场景理解

    本研究针对语义模糊场景理解进行了探索，使用人工合成的雾霾场景数据，并结合卷积神经网络进行了超像素级别的图像分割和对象检测，结果表明，该方法在实际应用中具有较高的实用价值。

    Aug, 2017

  • SpaceNet 6：多传感器全天候制图数据集

    本文提出了一个开放的多模式全天候映射数据集和挑战，包括光学和 SAR 数据，以及建筑物足迹标注，用于探索 SAR 数据在灾害响应和建筑物足迹提取方面的应用效果，发现使用光学预处理的 SAR 数据在建筑物足迹提取中取得了更好的效果。

    Apr, 2020

  • STEREOFOG -- 基于实际数据集的图像转换去雾

    图像到图像转换是机器学习的一个子类型，具有在存在两个图片域之间需要转换的应用中具有巨大潜力，例如去除雾霾。本文介绍了 STEREOFOG 数据集，该数据集包含 $10,067$ 对模糊和清晰图片，通过自建设备进行拍摄，目的在于探索此领域中图像到图像转换的潜力。我们应用并优化了 pix2pix 图像到图像转换的机器学习框架于该数据集，最终模型达到平均复杂小波结构相似度（CW-SSIM）得分为 0.76，证明该技术对于该问题是适用的。

    Dec, 2023

  • FIFO：针对雾天场景分割的学习雾不变特征方法

    提出了一种新的方法来学习对雾天气条件稳健的语义分割模型，关键思想是将图像的雾条件视为其风格，并在分割模型的神经风格空间中缩小具有不同雾条件的图像之间的差距，并逐渐学习雾不变特征。

    Apr, 2022

  • 迷雾中的评估：多目标跟踪鲁棒性

    通过基于物理的体积雾模拟以及逐帧单目深度估计和雾成像光学模型，在多个不同强度的雾中对领先的多目标跟踪方法进行全面评估，揭示了它们在雾和类似雾的挑战下的局限性。

    Apr, 2024

  • 在恶劣天气条件下，利用真实的 LiDAR 点云进行雾模拟以进行三维物体检测

    本研究采用真实数据模拟雾天环境，提出一种适用于任何 LiDAR 数据集的物理真实雾模拟方法。实验结果表明，我们的方法可以明显提高雾天环境下的 3D 目标检测性能，并为通过现有真实数据集提供了强有力的检测结果。

    Aug, 2021