10:25
官方账号arXiv cs.LG@Hayat Rajani, Nuno Gracias, Rafael Garcia
推荐理由：这项研究提出了一种新的方法，通过弱监督学习，从侧扫声纳图像中高效地制图海草栖息地，这对于海岸管理至关重要。与传统的手动标注方法相比，这种方法不仅速度快，而且成本低，值得一看。
分割质量
共 1 条相关 AI 资讯
8月26日
10:25
本研究提出一种弱监督语义分割框架，用于侧扫声纳（SSS）海底栖息地制图，通过图像级标签学习像素级地图。框架结合基于ViT的编码器-解码器与分类分支，提取类激活图，并通过密集的条件随机场将其细化成伪标签。采用迭代自训练方案和采样策略处理数据中的强类别不平衡。研究发现，Lovász-Softmax损失函数在分割质量上最为有效。在保留的横截面上，细化后的伪标签达到89.3%的mIoU，分割分支在无任何像素级标签的情况下达到87.6%。在未标记的SSS上进行自监督预训练，平均交并比（mIoU）提高了3%。实地试验进一步证明了训练模型的泛化能力。结果表明，在海岸带海草监测所需的规模下，从侧扫声纳进行精确且标签高效的底栖栖息地制图是可行的。