- 基于类别感知的高质量导向提案的动态标签分配
该论文提出了基于复平面的有向检测框表示和三角误差损失函数,并构建了一个适用于复杂背景环境的有向对象检测模型,通过实验证明了该模型在有向对象检测方面的优越性能。
- SOOD++:利用无标签数据提升有向物体检测
通过使用无标签数据提升目标检测器的半监督方法,我们提出了一种简单而有效的半监督定向目标检测方法 SOOD++,该方法在多方向对象和航拍图像方面获得了较好的结果。
- DASSF:用于航空目标检测的动态注意力尺度序列融合
本文提出了一种适用于航拍图像中小目标检测的动态注意力尺度序列融合算法 (DASSF),通过改进 YOLO 算法的能力以感知不同尺度的目标来提高密集重叠小目标和模糊目标的检测精度。实验结果表明,在 VisDrone-2019 和 DIOR 数 - BOSC: 一款用于航空影像绘图的工具箱
BOSC 是一个能够提取具有前所未有的准确性和效率的运动洞察力的工具箱,解决了当今无人机和卫星资源丰富的关键需求,实现了对空中图像的精确和高效标注。
- 利用文本转图像合成数据进行鲁棒性空中图像灾害评估
利用文本到图像生成模型在创建大规模合成监督时,我们提出了一种简单高效的方法用于来自空中图像的损害评估。我们的方法通过将生成模型的文本引导的基于掩码的图像编辑能力与训练模型的两阶段方法结合,从而在缺乏手动标注数据的领域中提高了模型的域鲁棒性。 - YOLC: 仅聚焦天空图像中微小物体检测的方法
通过建立在 CenterNet 上的高效和有效的框架 YOLC,我们引入了局部尺度模块(LSM)来解决处理大规模图像和非均匀目标分布时的挑战,通过使用高斯 Wasserstein 距离(GWD)修改回归损失以获得高质量边界框,并在检测头部使 - CVPR航空升降:城市语义及建筑实例升降的神经网络从航拍图像中
通过将 nosiy 的 2D 标签提升至 3D,我们提出了一种用于城市规模语义和建筑级别实例分割的神经辐射场方法。我们首先引入了一种适应尺度的语义标签融合策略,通过合并来自不同高度预测的标签来增强不同大小的对象的分割,然后基于 3D 场景表 - 用视觉描述正则化的零样本航空目标检测
我们提出了一种名为 DescReg 的航空目标检测的零样本方法,通过先前描述目标的视觉外观,将先前的类间视觉相似性注入嵌入学习,从而解决了航空目标检测中的挑战。在 DIOR、xView 和 DOTA 的三个具有挑战性的航空目标检测数据集上进 - 热图像校准和修正的非配对循环一致对抗网络
本文介绍了一种提高当前航拍野火数据集质量的方法,旨在适应相机技术的进步,并提出了一种基于 CycleGAN 的流程以及一种新颖的融合方法,通过将配对的 RGB 图像作为属性调节器集成到两个方向的生成器中,从而提高了生成图像的准确性。
- 提升航空图片中小型定向物体的检测
我们提出了一种方法,通过增强定向目标检测模型的分类和回归任务,准确地检测空中图像中的小型定向目标。我们设计了一个 Attention-Points 网络,其中包含两个损失函数:Guided-Attention Loss(GALoss)和 B - MapAI:建筑物分割的精确性
MapAI 是一个在 2022 年秋季与挪威人工智能研究联盟(NORA)、Agder 大学人工智能研究中心(CAIR)、挪威测绘局、AI:Hub、Norkart 和丹麦数据供应和基础设施局合作举办的比赛,专注于利用航空影像和激光数据对建筑物 - 从航空影像构建车道级地图
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。
- C-BEV:用于跨视角图像检索和 3DoF 姿态估计的对比鸟瞰视角训练
使用鸟瞰图作为嵌入表示的新型可训练的检索体系结构,在交叉视图地理定位任务中表现出色,特别在挑战性的多对一情景中有效,并且能够推断匹配航空图像上的 3 自由度摄像机姿态,甚至比明确通过度量真值进行培训的最新方法具有更低的平均姿态误差。
- CastDet: 以 CLIP 激活的师生学习实现开放词汇空中目标检测
本文研究了在航拍图像中的物体检测问题,提出了一种使用 CLIP 激活的学生 - 教师模型的开放词汇物体检测框架,通过同时生成高质量的候选区域和伪标签来提高新物体的检测性能。
- 重新思考半监督目标检测对于航空影像中的尺度不平衡
本文研究了半监督目标检测在航空图像中存在的尺度不平衡问题,并提出了适应性阈值判别、尺度再平衡标签分配和教师引导负样本学习等关键组件,以实现尺度无偏学习。通过对 DOTA-v1.5 基准上的广泛实验,证明了我们提出的方法在性能上优于现有竞争方 - 稀缺数据环境下航拍图像中的目标检测
本文通过在航拍图像中对现有少样本目标检测方法进行深入分析,发现自然图像和航拍图像之间存在较大的性能差距,导致的原因是航拍图像中小物体的数量较多。因此,本文提出了一种精心设计的注意力机制来改善少样本目标检测方法在小物体上的性能,并提出了一种自 - 无人机和神经网络用于搜救任务
通过使用人工神经网络和监督学习的数据集,本论文提出了一种在无人机拍摄的航拍图像中检测感兴趣对象(包括汽车、人类和火灾)的方法,并结合经典图像处理技术和预训练的神经网络实现了数据集的辅助标注和数据扩增。最后,评估了不同神经网络的性能。
- URA*: 用于非公路环境的基于图像的空中到地面可行性估计的不确定性感知路径规划
面向离线环境的自主导航,提出了一种基于航空图像的不确定性感知路径规划方法(URA*),利用集成的卷积神经网络模型从区域感兴趣的航空图像中进行像素级可行性估计,然后应用不确定性感知规划器计算路径,并使用重规划技术来实现在线机器人操作中的快速重 - 关于航空图像中目标检测模型的鲁棒性
在本文中,我们针对受云层影响的航拍图像,提出了两个基于 DOTA-v1.0 的新型基准测试。通过对主流目标检测模型的系统评估和大量剖析实验,我们发现增强模型架构、更大的网络、精心设计的模块以及谨慎的数据增强策略可以共同提高航拍目标检测模型的 - 密度农作物引导的半监督航空图像目标检测
通过密度裁剪引导的半监督检测器改进了对航空图像中小物体的检测效果。在训练过程中,使用已标记和未标记图像中识别出的物体簇的图像作为训练集的增强,提高了对小物体的检测和为未标记图像生成的伪标签质量。在推理过程中,该检测器不仅能够检测感兴趣的物体