Bias-Compensation Augmentation Learning for Semantic Segmentation in UAV Networks
Notice bibliographique
Résumé
In the realm of emergency disaster relief, it is paramount to attain a thorough comprehension of the semantic information associated with the local disaster scene for strategic rescue path planning and immediate rescue operations for affected individuals. Unmanned aerial vehicle (UAV) networks are widely utilized for rapid data collection in the aftermath of disasters due to their flexibility and maneuverability, assisting in rescue decision-making. However, some disasters, such as seismic events and floods have disrupted the initially structured ground shape information, leading to a disparate distribution of data collected by various UAV groups. This exposes traditional semantic segmentation models susceptible to shortcut bias, posing challenges in adapting to semantic segmentation tasks in disaster scenarios. Thus, this paper proposes a bias-compensation augmentation learning based semantic segmentation framework, which substantially enhances the extraction capability of semantic information. Initially, we exploit an artificial augmentation neural network for bias-awareness to determine the relative bias values of the collected image data. Subsequently, considering the limited computing power resources in UAV networks, we present a bias compensation computation offloading strategy to achieve a relatively balanced distribution of semantic information across UAV nodes, optimizing the trade-off between network scheduling efficiency and model accuracy. We conduct reconstruction validation on the FloodNet dataset, and a plethora of experimental results demonstrate that, compared to traditional methods, this approach greatly improves the accuracy of pixel-level semantic segmentation by over 86.5%. Moreover, the average combined processing time is also reduced by over 50%, enhancing the utilization efficiency of limited computational resources.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».