研究论文

基于迭代伪地面真值学习的极光运动场弱监督估计

作者:

奇奇风扇、和

烟雨毛作者信息和声明

AIPR’22：2022年第五届人工智能和模式识别国际会议记录

2022年9月

页787-794

https://doi.org/10.1145/3573942.3574096

出版:2023年5月16日出版历史

获取访问权限

摘要

小规模极光结构是一个很少被探索的领域。我们利用极光图像以令人满意的时间和空间分辨率记录了生动的极光行为，致力于研究局部极光运动和精细尺度极光活动。为了估计极光运动场，引入光流方法分析极光运动。然而，该技术在训练网络时需要昂贵的密集注释。利用全监督深度学习方法的强大学习能力和极光数据的不确定性，我们提出了一种迭代地面真实学习方法来挖掘极光运动的像素级伪地面真实。具体来说，我们首先通过递归全对场变换（RAFT）算法对合成数据训练一个全监督估计器。以估计运动场的可重构性和鲁棒性作为衡量极光图像全监督估计器适用性的标准。然后，将挖掘出的运动场作为伪地面实况反馈到RAFT算法中，再次微调全监督估计器，并进行迭代，直到找到极光数据的高质量伪地面实情。对黄河站极光数据的实验证明了该方法的有效性。越来越多的极光数据伪地面真相被用来通过细化极光图像的上下文特征来逐步改善估计的运动场结果。通过迭代伪地面真值学习，可以有效地减少估计误差。

工具书类

[1]

Syrjasuo M，Partamies N。极光探测的数字图像特征[J]。IEEE地球科学与遥感快报，2012，9（2）：176-179。

[2]

Yang X、Gao X、Tian Q。极点嵌入在极光图像检索中的应用[J]。IEEE图像处理汇刊IEEE信号处理协会出版物，2015，24（11）：3332-44。

数字图书馆

[3]

Gao X，Rong F，Li X，结合斑块和纹理阈值的极光图像分割[J]。计算机视觉和图像理解，2011，115（3）：390-402。

数字图书馆

[4]

詹姆斯·杰布森。关于光学阵列变化的分析[J]。《斯堪的纳维亚心理学杂志》，1977年。

[5]

喇叭B，舒克B G。测定光流[J]。人工智能，1981，17（1-3）：185-203。

数字图书馆

[6]

菲舍尔·P，多索维茨基A，伊尔格·E，FlowNet:用卷积网络学习光流[J]。IEEE，2016年。

[7]

Ronneberger O、Fischer P、Brox T。U-Net:生物医学图像分割的卷积网络[J]。国际医学图像计算和计算机辅助干预会议，2015年。

[8]

Ilg E，Mayer N，Saikia T，FlowNet 2.0：深网络光流估计的发展[J]。IEEE，2017年。

[9]

Ranjan A，Black M J。利用空间金字塔网络进行光流估计[J]。arXiv电子打印，2016。

[10]

孙丹，杨霞，刘敏英，PWC-Net:基于金字塔、翘曲和成本卷的光流CNNs[J]。2017

[11]

Teed Z、Deng J。RAFT:光流的递归全对场变换[J]。2020

[12]

姜S，陆毅，李华，从几场比赛中学习光流[J]。2021

[13]

罗凯，王C，刘S，UPFlow:无监督光流学习的上采样金字塔[J]。2020

[14]

关S，李海，郑伟思。基于金字塔卷积LSTM的光流估计无监督学习[J]。IEEE，2019年。

[15]

王G，任S，王H。NccFlow：几何非封闭光流的无监督学习[J]。2021

[16]

胡志杰，杨浩，黄德华，日间极光的天气分布：纽伦堡黄河站多波长全天观测，斯瓦尔巴特群岛[J]。大气与日地物理学杂志，2009，71（8-9）：794-804。

[17]

牛C，张杰，王强，弱监督语义分割在极光图像联合关键局部结构定位和分类中的应用[J]。IEEE地球科学与遥感汇刊，2018，56（12）：7133-7146。

[18]

Mayer N，Ilg E，Hausser P，用于训练用于视差、光流和场景流估计的卷积网络的大型数据集[J]。IEEE，2016年。

[19]

Chan K，Wang X，Yu K，BasicVSR：视频超分辨率及其后的关键组件搜索[J]。2020

[20]

Corpetti T、Memin E、Perez P。流体流动的密度估计[J]。模式分析与机器智能IEEE汇刊，2002，24（3）：365-380。

数字图书馆

[21]

Thanammal K K，Vijayalakshmi R R R，Arumugaperumal S，使用分割的自然图像有效直方图阈值技术[J]。J.图像图。，2014, 2(2).

[22]

Khan W.图像分割技术：综述[J]。图像与图形杂志，2013，1（4）：166-170。

索引术语

基于迭代伪地面真值学习的极光运动场弱监督估计
1. 计算方法
  1. 人工智能
    1. 计算机视觉
      1. 计算机视觉问题
        跟踪

建议

All-sky图像中耳涡结构的弱监督目标检测
AIPR’21：2021年第四届人工智能和模式识别国际会议记录

面对海量的极光观测数据，有必要对极光涡旋事件进行自动检测，以研究其发生规律和统计特征。为此，需要大量精确的像素级注释。。。
阅读更多信息
基于伪地面真值边界盒挖掘的弱监督目标检测
集锦
- 提出了一种新的W2F弱监督目标检测框架。
- 这个。。。
摘要
近年来，弱监督目标检测受到了广泛关注，因为它在训练网络时不需要昂贵的边界盒注释。。。
阅读更多信息
基于弱监督学习的极光图像关键结构检测
AIPR’20：2020年第三届人工智能和模式识别国际会议记录

由于标签成本的大幅节省，弱监督学习引起了许多人的兴趣和研究。为了解决极光图像检测研究中人工标注的高成本问题，提出了一种极光图像数据集的多尺度网络。。。
阅读更多信息

评论

信息和贡献者

问询处

发布于

封面图片ACM其他会议

AIPR’22：2022年第五届人工智能和模式识别国际会议记录

2022年9月

1221页

国际标准图书编号：9781450396899

内政部：10.1145/3573942

版权所有©2022 ACM。

如果复制品不是为了盈利或商业利益而制作或分发的，并且复制品的第一页载有本通知和完整引文，则允许免费制作本作品的全部或部分数字或硬拷贝以供个人或课堂使用。必须尊重ACM以外的其他人对本作品组成部分的版权。允许用信用证进行摘要。要以其他方式复制或重新发布，在服务器上发布或重新发布到列表，需要事先获得特定许可和/或付费。从请求权限[电子邮件保护]

出版商

计算机协会

美国纽约州纽约市

出版历史

出版：2023年5月16日

权限

请求对此文章的权限。

检查更新

作者标记

限定符

研究文章
研究
推荐有限公司

会议

AIPR 2022年

AIPR 2022：2022第五届人工智能和模式识别国际会议

2022年9月23日至25日

中国厦门

贡献者

其他指标

查看文章指标

文献计量学和引文

文献计量学

文章指标

0
引文总数
17
总下载次数

下载次数（过去12个月）13
下载次数（最近6周）1

其他指标

查看作者指标

引文

视图选项

获取访问权限

登录选项

检查您是否可以通过登录凭据或您的机构访问本文。

完全访问权限

获取此出版物

查看选项

PDF格式

以PDF文件查看或下载。

电子阅读器

使用联机查看电子阅读器.

电子阅读器

HTML格式格式

在中查看本文HTML格式格式。

媒体

数字

其他

桌子