- 利用向量量化变分自编码器从遥感影像中进行弱监督海洋动物检测
本文讨论了一种从海洋环境中的航空图像中进行弱监督动物检测的重建方法,该方法利用异常检测框架直接计算输入空间的度量,与特征嵌入方法相比具有更好的可解释性和异常定位能力,同时在处理嘈杂数据方面具有优势,提供了有价值的洞察力,推动了监测海洋生态系 - StawGAN: 面向红外图像翻译的结构感知生成式对抗网络
本文引入了一种新的模型,命名为 StawGAN,用于将夜间热红外图像转换成白天彩色图像,其中提高了目标领域中物体的质量而非仅仅对其上色。我们在含有 RGB-IR 配对图像的 DroneVeichle 数据集上进行测试,结果表明所提出的方法比 - CVPRSOOD:半监督定向物体检测
本文提出了一种新型的半监督定向目标检测模型,通过两种损失函数来提供更好的监督,实现对航空场景中定向目标检测的有效探索,超越了现有的半监督目标检测方法,并在 DOTA-v1.5 基准测试中达到了更好的效果。
- 基于视觉的着陆数据集 -- 用于着陆接近跑道检测
介绍了一个高质量的航空景象数据集,其中包括大量的合成图像和手动标注的真实着陆图像,以应对自主降落系统中数据不足和缺乏开源数据集的问题并支持跑道检测等任务。
- 高分辨率航空图像的级联缩放检测器
本文提出了一种高效的级联缩放检测器(CZ),它利用密度引导的训练和推断解决了在高分辨率航拍图像中检测拥挤小目标的问题,并在 VisDrone 数据集上表现出优异的性能。
- 航拍卫星影像中的新型建筑物检测与位置智能收集
利用航拍图像进行城市规划和管理,需要对建筑物进行检测和信息提取,并聚类分类,以便回答重要问题,如地震疏散路线规划、洪涝管理等。
- Crown-CAM: 高可靠性航空影像树冠检测的可靠视觉解释
本篇论文提出了一种名为 CrownCAM 的算法,用于在高密度森林树木的机动检测场景中生成可靠的可视化解释,能够有效提供树冠的细粒度本地化和非上下文背景抑制。此外,引入了两个基于交集的度量方法,可以有效地量化生成的可视化解释与图像中有或没有 - 基于无人机遥感图像和深度学习的玉米田志愿毛棉植株检测
本文介绍了使用无人机搜集的三波段航空图像使用 YOLOv3 检测玉米田中的志愿棉植物,结果发现经过训练的 YOLOv3 模型可用于计算机视觉驱动的航空应用系统 (RPAAS) 实现志愿棉植物的检测和喷涂,具备实时性。
- Focus-and-Detect: 一种用于航拍图像的小目标检测框架
本文提出了一种名为 “Focus-and-Detect” 的两阶段物体检测框架,包括一个用高斯混合模型监督的物体检测网络来生成聚焦区域,以及一个物体检测网络来预测指定区域中的物体。同时,本文还提出了一种名为 IBS 的方法,可以克服区域搜索 - 航拍影像中的目标检测:如何提高精度?
本文研究了基于深度学习的 Faster R-CNN 在航空图像目标检测中的应用,通过对多种策略的探索,成功提升了模型在 iSAID 数据集上的平均精度(mAP),为航空图像目标检测提出了有效的解决方案。
- 采样等变自注意力网络用于航空图像目标检测
首次提出了采样等变自注意力网络,通过考虑局部图像区域内的自注意力作为具有蒙版的卷积采样来改善样本等变能力。此外,还通过随机规范化模块解决了由于有限空中图像数据而导致的过度拟合问题。该模型在不需要额外监督的情况下,提供了显著更好的采样等变能力 - DARDet:一种用于航拍图像中稠密无锚点旋转物体检测的算法
本文提出了一种基于密集无锚点的旋转目标检测器 (DARDet),直接预测特征映射中每个前景像素的旋转框的五个参数,同时设计了一个新的对齐卷积模块来提取对齐的特征,并引入 PIoU loss 进行精确和稳定的回归。在三个常用的航空目标数据集 - ICCVLUAI Challenge 2021:学习理解航拍图像
该报告总结了在 ICCV 2021 上举办的 LUAI 2021 挑战赛的结果,该挑战赛侧重于航空图像中的目标检测和语义分割,使用 DOTA-v2.0 和 GID-15 数据集,并提出了三个任务。
- CVPRReDet:一种面向航空目标检测的旋转等变检测器
本文提出了一种旋转等变探测器(ReDet),它可以准确地预测方向并且具有巨大的模型尺寸减小,同时在 RoI 对齐上具有旋转不变性。在多个具有挑战性的航空影像数据集上,与以前的最佳结果相比,ReDet 的实验结果更好,同时可以降低 60%的参 - 航拍图像中的物体检测:大规模基准和挑战
本研究介绍了一个大规模的 DOTA 数据集,包括从 11,268 个航拍图像中收集的 18 个分类的定向边界框注释的 1,793,658 个物体实例,并基于此构建了覆盖 70 多种配置的 10 种最新算法的基线,还提供了 ODAI 的代码库 - 遥感图像稀疏注释语义分割
提出一种基于不完整标注的航空图像语义分割框架,利用少量草图注释,采用 FEature 和 Spatial relaTional regulArization (FESTA) 方法来增强监督学习任务,引入无监督学习信号以考虑特征和空间邻域结构 - 针对航空图像去雾的领域感知无监督高光谱重建
本文提出了一种基于 SkyGAN 的去雾方法,该方法包括领域感知的 H2H 模块和基于 cGAN 的多个图像转换模块,使用多光谱图像作为辅助信息,使用新的数据集 HAI 进行评估。
- PolarDet: 一种用于航拍图像中旋转目标的快速、更精确的检测器
本文提出了一种基于极坐标表示法、利用亚像素中心语义结构的快速高精度一阶段物体检测算法 ——PolarDet,其在航拍图像的物体检测任务上取得了几乎所有 SOTA 性能,并在 UCAS-AOD 数据集上取得最佳表现和最快速度(32fps)。
- AMRNet:航拍图像物体检测中的芯片增强
本文提出了三种数据增强方法,包括比例自适应模块、镶嵌技术和数据集重采样,以解决航空图像目标检测中的尺度变化、稀疏性和类别不平衡问题,并在 VisDrone 和 UAVDT 数据集上实现了最先进的性能。
- 面向方向物体检测的深度特征对齐
本文提出了一种 Single-shot Alignment Network (S2A-Net) 来解决航拍图像目标检测中常见的分类得分与定位准确度不一致问题,该网络包括 Feature Alignment Module(FAM)和 Orie