详细内容或原文请订阅后点击阅览
Skoltech 开发了一种在有限数据集上训练计算机视觉算法的新方法
Skoltech 科学家开发了一种训练计算机视觉算法的方法，该方法可以在初始样本有限的情况下提高数据处理的准确性。得益于这种新方法，解决各种遥感问题不仅对于计算机来说变得更加容易，而且在未来对于数据用户来说也是如此。
来源:Robogeek新闻频道（关于机器人技术的俄罗斯与世界新闻）Skoltech 科学家开发了一种训练计算机视觉算法的方法，该方法可以在初始样本有限的情况下提高数据处理的准确性。借助这种新方法，解决各种遥感问题不仅对于计算机来说变得更加容易，而且在未来对于数据用户来说也是如此。
研究成果发表在《遥感》杂志上。
遥感计算机视觉和机器学习方法长期以来一直用于解决环境监测问题：其中劳动密集型的问题也容易受到人为错误的影响，但通过算法可以轻松处理。然而，问题在于神经网络首先需要经过训练，以便它能够成功区分森林地区的树种。
卫星图像和普通照片（智能手机每分钟可以拍摄数十张照片）之间的一个显着区别是，在一次卫星传递中，您只能获得有限的帧，而且并不总是具有足够的分辨率。另外，浑浊也会影响拍摄质量。获得足够的标记良好的图像来训练神经网络可能是一项极其困难的任务，为此科学家和工程师使用图像增强技术等。
“神经网络是一个非常强大的系统，需要使用大量的训练数据来产生高质量的结果。不幸的是，在解决实际问题时，我们常常面临数据不足的问题，因此数据科学家不得不使用各种方法人为地增加原始样本。最流行的方法之一是数据增强——转换图像以增加采样变异性，”该文章的作者之一、Skoltech 研究生 Sergei Nesteruk 说。