- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
[IEEE 2018年第25届国际图像处理会议(ICIP) - 希腊雅典 (2018.10.7-2018.10.10)] 2018年第25届IEEE国际图像处理会议(ICIP) - 基于域相似性判别器的对抗性域适应方法在城市区域语义分割中的应用
摘要： 现有的城市区域语义分割模型在监督学习环境下表现良好。然而，为训练此类模型从每个城市收集大量标注图像既耗时又困难。此外，当将分割模型从训练城市（源域）迁移到未见过城市（目标域）时，由于领域偏移，性能会大幅下降。为此，我们提出一种带有领域相似性判别器的领域自适应方法，在对抗学习框架中消除这种领域偏移。与单输入对抗网络不同，我们的领域相似性判别器由孪生网络构成，能够测量成对输入数据的相似性。通过这种方式，我们可以利用更多关于成对输入的信息来衡量不同分布之间的相似性，从而解决领域偏移问题。实验结果表明，我们的方法在三个不同城市上优于对比方法。
关键词： 领域自适应、城市区域、语义分割、领域偏移、孪生网络
更新于2025-09-23 15:22:29
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于深度模型的航空影像场景分类最新进展与机遇
摘要： 场景分类是遥感图像解译的基础任务，因其广泛应用于多个领域而成为遥感学界的研究热点。过去数年间，研究者为开发高效的遥感图像场景分类方法付出了巨大努力，相关技术从传统的视觉词袋模型逐步演进至新一代深度卷积神经网络（CNN）?；谏疃菴NN的方法在性能上取得了显著突破，其表现大幅超越了依赖人工设计特征的早期方法。然而，由于现有公开场景数据集存在训练样本规模小、多样性低等明显缺陷，深度CNN方法的性能提升已逐渐趋于平缓。为此，为推动新方法的发展并促进场景分类任务更进一步，我们深入探讨了该任务现存的问题，并据此提出了三个开放性研究方向。我们认为这些潜在方向将对领域研究者具有重要指导意义。
关键词： 场景分类、深度模型、领域自适应、数据集、场景描述
更新于2025-09-23 15:22:29
-
基于判别性分布与流形嵌入的高光谱图像分类域自适应方法
摘要： 近年来，随着遥感技术的发展，高光谱遥感图像分类受到了广泛关注。要构建高可信度的分类器，大量标注数据至关重要（例如深度学习技术的成功应用）。然而获取标注数据通常成本高昂，尤其是需要实地勘测的遥感图像。针对这一问题，本文提出一种基于神经网络的高光谱图像分类域适应方法：通过流形嵌入学习与源域判别分布匹配来实现。具体而言，我们利用源图像的判别信息训练适用于源域和目标域的分类器。为使分类器在双域均能有效工作，我们在嵌入空间中最小化两域分布偏移（基于源域先验类分布），同时通过保持样本流形关系避免目标域在嵌入空间的畸变映射。最终基于神经网络同步最小化三项准则来学习源域与目标域的嵌入表示。在两幅高光谱遥感图像上的实验表明，本方法优于多种基线方法。
关键词： 神经网络、高光谱图像分类、最大均值差异（MMD）、遥感、领域自适应、流形嵌入
更新于2025-09-23 15:22:29
-
[2019年IEEE第46届光伏专家会议（PVSC） - 美国伊利诺伊州芝加哥（2019.6.16-2019.6.21）] 2019年IEEE第46届光伏专家会议（PVSC） - CSS与溅射法制备CdSe<sub>x</sub>Te<sub>1-x</sub>薄膜的缺陷分析
摘要： 本文研究了一种新的无标签行人重识别问题，针对非重叠目标摄像头场景?；谠从蛏阆裢诽峁┑钠ヅ洌ㄕ┯氩黄ヅ洌ǜ海┩枷穸?，以及目标域摄像头提供的不匹配（负）和未标注图像对，我们提出自适应排序支持向量机（AdaRSVMs）方法，在无需目标域行人标签的情况下实现重识别。为解决目标域缺失匹配（正）图像对的问题，我们将判别约束放宽为仅依赖目标域正样本均值的必要条件。通过综合利用源域与目标域的全部数据及行人重识别约束条件来估计目标正样本均值。受自适应学习方法启发，通过优化源自源域的距离模型，构建了对目标正样本均值高置信、对目标负图像对低置信的新型判别模型。实验表明，所提AdaRSVM方法在无需使用目标摄像头标签信息的情况下，性能优于现有监督/无监督、学习/非学习类重识别方法。此外，相比基于等条件概率假设的现有域适应方法，本方法取得了更优的重识别效果。
关键词： 人员重识别、排序支持向量机、目标正样本均值、自适应学习、领域自适应
更新于2025-09-23 15:19:57
-
[第三届IEEE国际电子、信息与通信技术最新趋势会议(RTEICT) - 印度班加罗尔(2018年5月18-19日)] 2018年第三届IEEE国际电子、信息与通信技术最新趋势会议(RTEICT) - 基于GSM/GPS的太阳能光伏智能垃圾监测系统
摘要： 在实际问题中，我们常遇到以下半监督领域自适应场景：我们能完全获取通常规模庞大的源数据；目标数据分布是源数据分布经过某种未知变换后的结果；同时仅少量目标样本带有标签。目标是借助源域信息学习预测模型，使其在目标测试样本上具有良好的泛化能力。我们考虑显式的变换函数形式（尤其是将源域样本映射到目标域的线性变换），并论证通过对源域和目标域数据进行适当预处理，可行变换函数可由一组旋转矩阵表征。这自然导出了特殊正交群约束下的优化问题表述。我们提出迭代坐标下降求解器，能联合学习变换函数与模型参数，其中测地线更新确保始终满足流形约束。该框架具有足够普适性，可适配多种损失函数和预测问题。在合成数据与真实实验中的实证评估表明，本方法较现有最优技术具有竞争优势。
关键词： 迁移学习、半监督学习、领域自适应
更新于2025-09-23 15:19:57
-
[2019年IEEE电力与能源学会大会(PESGM) - 美国佐治亚州亚特兰大市(2019.8.4-2019.8.8)] 2019年IEEE电力与能源学会大会(PESGM) - 基于小波变换和人工神经网络的非接地光伏系统故障定位方法
摘要： 本文研究了一种新的无标签行人重识别问题，针对非重叠目标摄像机场景?；谠从蛏阆窕峁┑钠ヅ洌ㄕ┯氩黄ヅ洌ǜ海┩枷穸?，以及目标域摄像机提供的不匹配（负）和未标记图像对，我们提出自适应排序支持向量机（AdaRSVMs）方法，在无需目标域行人标签的情况下实现重识别。为解决目标域缺失匹配（正）图像对的问题，我们将判别约束放宽为仅依赖目标域正样本均值的必要条件。通过综合利用源域与目标域的全部可用数据及行人重识别约束来估计目标正样本均值。受自适应学习方法启发，通过优化源自源域的距离模型，构建了对目标正样本均值高置信、对目标负图像对低置信的新型判别模型。实验表明，所提AdaRSVM方法在无需使用目标摄像机标签信息时，性能优于现有监督/无监督、学习/非学习类重识别方法。此外，相较于基于等条件概率假设的现有域适应方法，本方法取得了更优的重识别效果。
关键词： 自适应学习、目标正均值、排序支持向量机、领域自适应、人员重识别
更新于2025-09-23 15:19:57
-
基于有限标注数据的多时相SAR（哨兵1号）图像深度学习分类应用：以韩国水稻田检测为例
摘要： 随着卫星影像时空分辨率的提升，深度学习在遥感领域的适用性正快速增强。然而与近实时获取的大范围卫星影像不同，用于模型训练的标注数据量十分有限。本文通过测试数据增强、半监督分类和领域自适应架构这三种深度学习应用，尝试突破标注数据不足的限制。在众多可开展分类的任务中，选择韩国稻田检测作为研究对象——该任务既能充分发挥深度学习优势，又能充分利用高时空分辨率影像特性。在设计各应用方案时，我们整合了遥感领域知识与水稻物候学信息，并通过像素级对比（涵盖多种环境场景）和国家统计数据支持的城际级对比，全面评估了三种应用的所有可能组合方案。研究结果表明：尽管模拟或利用未标注数据仍存在不确定性，但所有应用组合都能提升分类性能。随着这些应用方案的有效性得到实验验证，深度学习在各类遥感场景中的适用性有望增强。特别是当应用于大范围研究区域和高分辨率影像时（这类场景因类内异质性高而需要大量来自多元环境的训练数据），本文提出的应用方案将具有重要价值。
关键词： 遥感、半监督分类、数据标注、深度学习、数据增强、领域自适应
更新于2025-09-19 17:13:59
-
[IEEE 2019年第11届电气工程学院会议(BulEF) - 保加利亚瓦尔纳(2019.9.11-2019.9.14)] 2019年第11届电气工程学院会议(BulEF) - 屋顶光伏装置的运行工况
摘要： 本文研究了一种新的无标签行人重识别问题，针对非重叠目标摄像头场景?；谠从蛏阆裢诽峁┑钠ヅ洌ㄕ┯氩黄ヅ洌ǜ海┩枷穸?，以及目标域摄像头提供的不匹配（负）和未标注图像对，我们提出自适应排序支持向量机（AdaRSVMs）方法，在无需目标域行人标签的情况下实现重识别。为解决目标域缺失匹配（正）图像对的问题，我们将判别约束放宽为仅依赖目标域正样本均值的必要条件。通过综合利用源域与目标域的全部数据及行人重识别约束条件来估计目标正样本均值。受自适应学习方法启发，我们通过优化源域距离模型，构建了对目标正样本均值高置信、对目标负图像对低置信的新型判别模型。实验表明，该AdaRSVM方法在无需使用目标摄像头标签信息时，性能优于现有监督/无监督、学习/非学习类重识别方法。此外，相比基于等条件概率假设的现有域适应方法，本方法取得了更优的重识别效果。
关键词： 排序支持向量机、目标正样本均值、领域自适应、行人重识别、自适应学习
更新于2025-09-19 17:13:59
-
[2019年IEEE国际空间光学系统与应用会议(ICSOS) - 美国俄勒冈州波特兰市 (2019.10.14-2019.10.16)] 2019年IEEE国际空间光学系统与应用会议(ICSOS) - 基于反馈零差检测与分数符号测距的星间集成激光通信/测距链路
摘要： 在实际问题中，我们常遇到以下半监督领域自适应场景：我们能完全获取通常规模庞大的源数据；目标数据分布是源数据分布经过某种未知变换后的结果；同时仅有少量目标样本带有标签。目标是借助源域信息学习预测模型，使其能在目标测试样本上良好泛化。我们考虑显式的变换函数形式（尤其是将源域样本映射到目标域的线性变换），并论证通过对源域和目标域数据进行适当预处理，可行变换函数可由一组旋转矩阵表征。这自然导出了特殊正交群约束下的优化问题表述。我们提出迭代坐标下降求解器，能联合学习变换函数与模型参数，其中测地线更新确保始终满足流形约束。该框架具有足够通用性，适用于各类损失函数和预测问题。在合成数据与真实实验中的实证评估表明，本方法较前沿技术具有竞争优势。
关键词： 迁移学习、半监督学习、领域自适应
更新于2025-09-19 17:13:59
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018年7月22日-7月27日）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于卷积神经网络的云检测：从Landsat-8到Proba-V的迁移学习
摘要： 云检测是利用地球观测卫星多光谱传感器信息的关键问题。对于Proba-V卫星而言，由于光谱波段数量有限，云检测具有挑战性。先进的机器学习方法（如卷积神经网络CNN）在有足够标注数据的情况下已被证明能有效解决该问题。然而，关于云层存在的同步共址信息通常不可获取或需要大量人工标注。本研究提出利用现有的Landsat-8云掩膜数据集进行学习，并将这种学习迁移应用于解决Proba-V云检测问题。我们使用经调整以模拟Proba-V特性的Landsat影像训练CNN模型，并在大量真实Proba-V场景上进行测试。所开发的模型在不使用任何真实Proba-V数据训练的情况下，性能超越了当前运行的Proba-V云检测系统。此外，若使用少量Proba-V数据对CNN进行微调，云检测精度还可进一步提升。
关键词： Proba-V，迁移学习，卷积神经网络，云检测，领域自适应，Landsat-8
更新于2025-09-10 09:29:36