CN116543206A - 点云样本选择方法、装置及计算机设备 - Google Patents
点云样本选择方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN116543206A CN116543206A CN202310497177.6A CN202310497177A CN116543206A CN 116543206 A CN116543206 A CN 116543206A CN 202310497177 A CN202310497177 A CN 202310497177A CN 116543206 A CN116543206 A CN 116543206A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- sample
- marked
- score
- cloud sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010187 selection method Methods 0.000 title claims description 12
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000002372 labelling Methods 0.000 claims description 19
- 230000001629 suppression Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000013145 classification model Methods 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及点云数据处理领域,尤其涉及一种点云样本选择方法、装置及计算机设备。所述方法包括获取多个待标注点云样本;将所述多个待标注点云样本输入到预训练的神经网络模型中进行分类检测,以得到每一待标注点云样本分类得分概率最高和次高的所属类别;计算待标注点云样本的最小边际分数和上下文不确定性得分;将最小边际分数和上下文不确定得分加权求和后作为待标注点云样本的不确定结果;根据待标注点云样本的不确定结果,确定目标标注点云样本。
Description
技术领域
本发明涉及点云数据处理领域,尤其涉及一种点云样本选择方法、装置及计算机设备。
背景技术
深度神经网络在计算机视觉领域的巨大成功受益于复杂的深度网络结构及海量的标注数据,但是在一些复杂的任务如三维点云检测、分割等领域,点云数据的标签往往并不容易获取,且若对获取的所有样本数据进行标注,则需要耗费大量的人力成本。
目前,主动学习技术能够从大量的未标注数据中获取对当前模型提升最有帮助的样本进行标注,从而有效降低标注成本。Lin等人将整个点云划分为分段,每个分段作为样本选择的基本查询单元。ReDAL建议选择那些信息丰富和多样化的子场景区域进行标签获取。熵、颜色不连续和结构复杂性被用来测量子场景区域的信息。随后,SSDR-AL将原始点云分组为超点,并逐步选择信息最丰富的区域进行注释。
然而,基于区域的主动学习的性能在很大程度上依赖于区域划分策略,而一旦区域划分不准确,将会导致选出的标注点云无法达到分类检测的精度需求。此外,由于点云在局部区域中表现出很强的语义相似性,因此选择局部区域中的所有点会产生一个冗余的标签预算。
发明内容
本发明实施例提供一种点云样本选择方法、装置及计算机设备,以解决目前针对点云分类检测的任务场景下,基于主动学习技术实现标注点云样本选择的冗余度高、准确性低的问题。
在本发明的第一方面,本发明提出的一种点云样本选择方法,所述方法包括:
获取多个待标注点云样本;
将所述多个待标注点云样本输入到预训练的神经网络模型中进行分类检测,以得到每一待标注点云样本分类得分概率最高和次高的所属类别;
计算待标注点云样本的最小边际分数和上下文不确定性得分;将最小边际分数和上下文不确定得分加权求和后作为待标注点云样本的不确定结果;
根据待标注点云样本的不确定结果,确定目标标注点云样本。
在本发明的第二方面,本发明还提供了一种点云样本选择装置,包括:
样本采集模块,用于获取多个待标注点云样本;
样本分类模块,用于将所述多个待标注点云样本输入到预训练的神经网络模型中进行分类检测,以得到每一待标注点云样本分类得分概率最高和次高的所属类别;
样本度量模块,用于计算待标注点云样本的最小边际分数和上下文不确定性得分;将最小边际分数和上下文不确定得分加权求和后作为待标注点云样本的不确定结果;
样本选择模块,用于根据待标注点云样本的不确定结果,确定目标标注点云样本。
在本发明的第三方面,本发明还提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本发明第一方面所述点云样本选择方法的步骤。
本发明的有益效果:
本发明通过对多个尺度上的点云进行分组,并在更大范围的层次上逐步感知未标记点云的上下文信息,来计算每个点云样本的不确定性得分,解决了仅通过一个点云不能真实反映此点云真实重要性的问题。使用分层最小边际不确定性测量,上下文信息被融合,这使得仅通过注释点云而不是区域来实现性能更高的采样成为了一种可能,同时也解决了需要进行区域划分的问题。
本发明利用分层最小边际不确定性测量得到了一个输出,也即点级不确定性得分结果vu,可以直接选择不确定性最高的前k点进行标记。但是,这种点选择方式可能会与之前存在基于点的方法一样可能使点集中在局部区域,导致标记冗余。因此,本发明还提出了一个特征距离抑制(Feature-distance Suppression,FDS)模块来确保点分布的均匀且分散,保证标记点信息不冗余。
本发明提供了一个层次性、可靠的、非冗余点云样本选择方法、装置及计算机设备。使得选择出的目标点云标注样本是可靠的、具有层次且信息不冗余的,且本发明需要依赖于区域划分策略。
附图说明
图1是本发明点云样本选择方法流程图;
图2是本发明分层最小边际不确定性测量模块结构图;
图3是本发明特征距离抑制模块结构图;
图4是本发明点云样本选择装置结构图;
图5是本发明点云样本选择结果对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在一些实施例中,本发明的点云样本选择方法可以应用于计算机设备与服务器共存的场景中,其中,计算机设备通过网络与服务器进行通信。计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器来实现。
如图1所示,提供一种点云样本选择方法,所述方法包括:
101、获取多个待标注点云样本;
在本发明实施例中,所述待标注点云样本可以是三维点云数据,该三维点云数据可以从公开数据集获取,也可以从雷达等设备实时拍摄后获取,对于三维点云数据的来源,本发明不作限定。
102、将所述多个待标注点云样本输入到预训练的神经网络模型中进行分类检测,以得到每一待标注点云样本分类得分概率最高和次高的所属类别;
其中,该神经网络模型为预先根据少量已标注的样本训练好的初始模型,用于识别待标注点云样本对应的所属类别,以便后续根据所属类别评估出待标注点云样本的重要性,从而确定出目标标注点云样本。
103、计算待标注点云样本的最小边际分数和上下文不确定性得分;将最小边际分数和上下文不确定得分加权求和后作为待标注点云样本的不确定结果;
在本发明实施例中,考虑到仅仅利用点云本身而不利用它周围环境的信息是无法反映这个点云的真实重要性。因此,本实施例设计了一个分层最小边际不确定性测量模块(Hierarchical Minimum Margin Uncertainty Measurement,HMMUM),如图2所示,通过对多个尺度上的点进行分组,并在更大范围的层次上逐步感知待标注点云样本的上下文信息,来计算每个点的不确定性得分vu,根据不确定性得分即可确定出这些候选点云作为目标标注点云样本,从而解决了仅通过一个点不能真实反映此点真实重要性的问题。使用分层最小边际不确定性测量,上下文信息被融合,这使得仅通过注释点而不是区域来实现性能更高的采样成为了一种可能,同时也解决了需要进行区域划分的问题。
在本发明一些实施例中,所述计算待标注点云样本的最小边际分数包括:
根据待标注点云样本的分类得分的最高概率和次高概率,计算得到待标注点云样本的最小标记分数;
其中,分层最小边际不确定度度量通过对多个尺度上的点进行分组,并在更大范围的层次上逐步感知待标注点云样本的上下文信息,来计算每个点的不确定性得分。如图2所示,将含有特征的待标注点云样本输入到分层最小边际不确定度度量模块。我们首先计算每个只含自身信息的待标注点云样本的最小边际分数Ux。可以表示为:
Ux=h(xu;p1(xu))-h(xu;p2(xu))
其中,Ux表示待标注点云样本xu的最小边际分数,待标注点云样本xu即为可以选择进行标记的候选点云;p1(xu)表示点云分类模型预测得到得分最高的标签类别概率,p2(xu)表示点云分类模型预测得到得分次高的标签类别概率;h(·)表示点云分类模型的分割预测器。
在本发明一些实施例中,计算待标注点云样本的上下文不确定性得分包括:
确定出待标注点云样本在每一降采样层的邻居点云样本;
获取邻居点云样本的分类得分的最高概率和次高概率,计算得到待标注点云样本在每一降采样层的平均最高概率值和平均次高概率值;
其中,通过降采样来对更广泛的邻居进行分组。通过对原始待标注点云样本中相邻的邻居点云样本的柔性最大数传递参数(softmax)预测进行平均,得到了每个下采样点的柔性最大数传递参数(softmax)预测。每个下采样点的柔性最大数传递参数(softmax)标签表示一个局部区域的预测分布,我们用表示。我们进行了N层的体素降采样,待标注点xu的局部上下文信息可以通过降采样到的第i层的预测平均值来表示。平均概率值可以表示为:
其中,表示待标注点云样本xu在第i个降采样层的局部上下文信息;/>表示在待标注点云样本xu在第i个降采样层的第j个邻居点云样本;Ki是在第i个降采样层中体素半径中的邻居点的总数量,p(·(代表预测概率。
根据待标注点云样本在每一降采样层的平均最高概率值和平均次高概率值,计算得到待标注点云样本在每一降采样层的上下文不确定性得分。
为了便于区分平均最高概率值和平均次高概率值,本发明通过下标1和下标2分别进行区分指代,因此,待标注点云样本在每一降采样层的上下文不确定性得分表示为:
其中,表示待标注点云样本xu在第i次降采样下的上下文不确定性得分;表示点云分类模型预测得到第i次降采样得分最高对应的局部上下文信息,表示点云分类预测得到第i次降采样得分次高对应的局部上下文信息;h(.)代表点云分类模型的分类器。
在本发明优选实施例中,计算得到待标注点云样本的上下文不确定性得分之后还包括将待标注点云样本在各个降采样层的上下文不确定性得分进行加权求和,确定出待标注点云样本最终的上下文不确定得分。
通过对最小边际分数和上下文不确定得分加权求和,可以得到待标注点云样本的不确定结果,表示为:
其中,vu表示点云xu的不确定性结果;wi表示第i次降采样的超参数,N为降采样次数,举个例子,当N=3时,wi∈{0.1,0.01,0.001}是一个超参数,其值从左到右代表了第1次、2次、3次降采样时w1,w2,w3的取值。
104、根据待标注点云样本的不确定结果,确定目标标注点云样本。
在本发明一些实施例中,所述根据待标注点云样本的不确定结果,确定目标标注点云样本包括根据待标注点云样本的不确定性结果的排序情况,选择出排名靠前的待标注点云样本作为目标标注点云样本;或者,采用特征距离抑制方式,选择出相似度各异的若干待标注样本作为目标标注点云样本。
利用分层最小边际不确定性测量我们得到了一个输出也即点级不确定性得分vu,我们可以直接选择不确定性最高的前k点进行标记。但考虑到这种点选择方式可能会与传统点选择方法存在相同问题,由于前K个点中的某些点可能会是来同一个局部区域,即仍然有可能使点集中在局部区域,这就会导致信息冗余,因此我们设计了一个特征距离抑制的方法,提出了一个特征距离抑制(Feature-distance Suppression,FDS)模块来确保点分布的均匀且分散,如图3所示,保证标记点信息不冗余,并同时确保最终选出的标记点是分布均匀的。
在本发明优选实施例中,所述特征距离抑制方式包括确定出距离抑制半径和特征相似阈值;判断待标注点云样本的距离抑制半径内的是否有其他被选中的目标标注点云样本,若不存在其他被选中的目标标注点云样本,则将所述待标注点云样本作为目标标注点云样本;若存在其他目标标注点云样本,则计算待标注点云样本与其他目标标注点云样本的相似度距离,若所述相似度距离超过特征相似阈值,则将待标注点云样本作为冗余点,并抑制冗余点,若所述相似度距离未超过特征相似阈值,则将所述待标注点云样本作为目标标注点云样本。
对于每个被选择的点xi,我们给定一个距离抑制半径r以及一个特征相似的阈值τ,首先我们会判断被选取点的距离抑制半径内是否已经有其他的被选取点了,Di是一个集合其初始化为空集,用于存放所有在xi距离抑制半径中已经被选择过的点xj,其公式表示为:
其中,dij代表是xi到xj的距离。
如果经过判断后,Di仍为空集,说明在xi距离抑制半径中没有其他被选择点如图3下方虚线圆圈所示,其中黑色实心圆代表本次即将被选择的点,黑色实心方块代表已经被选取过的点,黑边空心圆代表未被选择的点,那么xi将代表此局部范围,进入下一步即进行标记。当然,如果Di不为空如图3上方实线圆圈所示。那么我们需要判断Di中的点和点xi的一个相似度,其公式可以表示为:
其中fi和fj分别代表xi和xj的提取特征,如果Sim(xi,xj)>τ,xi将会被视为冗余点,那么将从需要标记的点集中去除,否则将会保留进行标记。
当然,可以理解的是,上述相似度公式除了使用余弦公式外,还可以采用其他相似度公式进行度量。
在一实施例中,提供一种点云样本选择装置,该点云样本选择装置与上述实施例中点云样本选择方法一一对应。如图4所示,该点云样本选择装置200包括样本采集模块201、样本分类模块202、样本度量模块203和样本选择模块204。各功能模块详细说明如下:
样本采集模块,用于获取多个待标注点云样本;
样本分类模块,用于将所述多个待标注点云样本输入到预训练的神经网络模型中进行分类检测,以得到每一待标注点云样本分类得分概率最高和次高的所属类别;
样本度量模块,用于计算待标注点云样本的最小边际分数和上下文不确定性得分;将最小边际分数和上下文不确定得分加权求和后作为待标注点云样本的不确定结果;
样本选择模块,用于根据待标注点云样本的不确定结果,确定目标标注点云样本。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中的样本选择方法的步骤,例如图1所示的步骤S101-S104。或者,处理器执行计算机程序时实现样本选择装置这一实施例中的各模块/单元的功能,例如图4所示的各模块/单元的功能,为避免重复,这里不再赘述。
图5是本发明的点云样本选择与传统前K点选择策略对比图。其中(a)(c)是基于传统方法的选取前k个不确性的效果图,其中的点是选择点,可见这些选择点并不均匀,在有些区域比较集中且冗余。而(b)(d)是本明的点云样本选择的效果图,其中的点是选择点,可以看到本发明选择的点更加分散、不冗余,代表性效果更好。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:ROM、RAM、磁盘或光盘等。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种点云样本选择方法,其特征在于,所述方法包括:
获取多个待标注点云样本;
将所述多个待标注点云样本输入到预训练的神经网络模型中进行分类检测,以得到每一待标注点云样本分类得分概率最高和次高的所属类别;
计算待标注点云样本的最小边际分数和上下文不确定性得分;将最小边际分数和上下文不确定得分加权求和后作为待标注点云样本的不确定结果;
根据待标注点云样本的不确定结果,确定目标标注点云样本。
2.根据权利要求1所述的一种点云样本选择方法,其特征在于,所述计算待标注点云样本的最小边际分数包括:
根据待标注点云样本的分类得分的最高概率和次高概率,计算得到待标注点云样本的最小标记分数。
3.根据权利要求1所述的一种点云样本选择方法,其特征在于,计算待标注点云样本的上下文不确定性得分包括:
确定出待标注点云样本在每一降采样层的邻居点云样本;
获取邻居点云样本的分类得分的最高概率和次高概率,计算得到待标注点云样本在每一降采样层的平均最高概率值和平均次高概率值;
根据待标注点云样本在每一降采样层的平均最高概率值和平均次高概率值,计算得到待标注点云样本在每一降采样层的上下文不确定性得分。
4.根据权利要求3所述的一种点云样本选择方法,其特征在于,计算得到待标注点云样本的上下文不确定性得分之后还包括将待标注点云样本在各个降采样层的上下文不确定性得分进行加权求和,确定出待标注点云样本最终的上下文不确定得分。
5.根据权利要求1所述的一种点云样本选择方法,其特征在于,所述根据待标注点云样本的不确定结果,确定目标标注点云样本包括根据待标注点云样本的不确定性结果的排序情况,选择出排名靠前的待标注点云样本作为目标标注点云样本;或者,采用特征距离抑制方式,选择出相似度各异的若干待标注样本作为目标标注点云样本。
6.根据权利要求5所述的一种点云样本选择方法,其特征在于,所述特征距离抑制方式包括确定出距离抑制半径和特征相似阈值;判断待标注点云样本的距离抑制半径内的是否有其他被选中的目标标注点云样本,若不存在其他被选中的目标标注点云样本,则将所述待标注点云样本作为目标标注点云样本;若存在其他目标标注点云样本,则计算待标注点云样本与其他目标标注点云样本的相似度距离,若所述相似度距离超过特征相似阈值,则将待标注点云样本作为冗余点,并抑制冗余点,若所述相似度距离未超过特征相似阈值,则将所述待标注点云样本作为目标标注点云样本。
7.一种点云样本选择装置,其特征在于,包括:
样本采集模块,用于获取多个待标注点云样本;
样本分类模块,用于将所述多个待标注点云样本输入到预训练的神经网络模型中进行分类检测,以得到每一待标注点云样本分类得分概率最高和次高的所属类别;
样本度量模块,用于计算待标注点云样本的最小边际分数和上下文不确定性得分;将最小边际分数和上下文不确定得分加权求和后作为待标注点云样本的不确定结果;
样本选择模块,用于根据待标注点云样本的不确定结果,确定目标标注点云样本。
8.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述点云样本选择方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310497177.6A CN116543206A (zh) | 2023-05-05 | 2023-05-05 | 点云样本选择方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310497177.6A CN116543206A (zh) | 2023-05-05 | 2023-05-05 | 点云样本选择方法、装置及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116543206A true CN116543206A (zh) | 2023-08-04 |
Family
ID=87446493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310497177.6A Pending CN116543206A (zh) | 2023-05-05 | 2023-05-05 | 点云样本选择方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116543206A (zh) |
-
2023
- 2023-05-05 CN CN202310497177.6A patent/CN116543206A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Overview and methods of correlation filter algorithms in object tracking | |
CN111052146B (zh) | 用于主动学习的系统和方法 | |
CN108280477B (zh) | 用于聚类图像的方法和装置 | |
Cantorna et al. | Oil spill segmentation in SAR images using convolutional neural networks. A comparative analysis with clustering and logistic regression algorithms | |
Memon et al. | Generalised fuzzy c‐means clustering algorithm with local information | |
Aghaei et al. | GreyWolfLSM: An accurate oil spill detection method based on level set method from synthetic aperture radar imagery | |
CN111052128B (zh) | 用于检测和定位视频中的对象的描述符学习方法 | |
Wang et al. | SSS-YOLO: Towards more accurate detection for small ships in SAR image | |
Lee et al. | Localization uncertainty estimation for anchor-free object detection | |
Eadi Stringari et al. | Deep neural networks for active wave breaking classification | |
Kim et al. | Deep learning-based monitoring of overshooting cloud tops from geostationary satellite data | |
Ghosh et al. | Automated detection and classification of pavement distresses using 3D pavement surface images and deep learning | |
Guillon et al. | Ground-truth uncertainty-aware metrics for machine learning applications on seismic image interpretation: Application to faults and horizon extraction | |
Li et al. | Direct generation of level of service maps from images using convolutional and long short-term memory networks | |
CN116977710A (zh) | 一种遥感图像长尾分布目标半监督检测方法 | |
Hertel et al. | Probabilistic SAR-based water segmentation with adapted Bayesian convolutional neural network | |
Apeagyei et al. | Evaluation of deep learning models for classification of asphalt pavement distresses | |
Zheng et al. | Stripe segmentation of oceanic internal waves in SAR images based on SegNet | |
Gambini et al. | Feature extraction in speckled imagery using dynamic B‐spline deformable contours under the model | |
Sasikala et al. | Optimized vessel detection in marine environment using hybrid adaptive cuckoo search algorithm | |
CN116433722A (zh) | 目标跟踪方法、电子设备、存储介质及程序产品 | |
Chen et al. | Maneuvering target tracking from nautical radar images using particle-Kalman filters | |
Dey et al. | A robust FLIR target detection employing an auto-convergent pulse coupled neural network | |
CN116543206A (zh) | 点云样本选择方法、装置及计算机设备 | |
US11836223B2 (en) | Systems and methods for automated detection of building footprints |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |