PSIque:卷积序列到序列网络预测卫星图像的下一帧
本研究提出了一种替代卷积神经网络的方法来自动分类卫星图像时间序列。使用基于 Self-Attention 的神经网络的时间特征提取方法来优化处理效率,并且发布了一个用于卫星图像时间序列研究的大型开放访问数据集。
Nov, 2019
利用表示学习的思路,发展了 U-TILISE,一种高效的神经模型,能够隐式地捕捉光谱强度的时空模式,并通过训练将云层遮掩的输入序列映射为无云的输出序列。实验结果表明,与标准插值基准相比,在之前看到的位置,PSNR 增加了 1.8 dB,在未见过的位置增加了 1.3 dB。
May, 2023
本文介绍了使用深度卷积神经网络预测太阳能辐射强度的初步结果,并探讨了训练算法的图像识别技术,和利用过去相同日期数据进行训练以提高短期预测技能的方法。
May, 2020
本文提出了一种基于 Transformer 的短期太阳辐射预测模型,通过对连续的天空图像进行特征编码,并将其输入 Transformer 解码器,预测与未来未见天空图像相关的辐照值,同时捕捉天空图像之间的长程依赖关系,可实现对所有天空图像数据集在 15 分钟内的辐射预测精度提高至 21.45%,优于智能持久性模型。
May, 2023
本文提出了一种名为 Enki 的无监督机器学习算法,该算法使用了 Vision Transformer 结合 Masked Autoencoding 来重构遮蔽像素,用以缓解云掩码对海表温度数据分析的影响。通过训练四种不同的 Enki 模型来识别和重构 LLC4320 SST 图像中的遮蔽像素,作者发现该方法具有很好的重构效果,其表现甚至超过了插值法,为未来应用提供了广阔的发展前景。
May, 2023
本文提出一种基于序列到序列模型的视觉任务结构化输出预测方法,该模型使用神经网络,其中每个输出变量依赖于之前预测的输出变量,模型应用于空间定位任务,使用卷积神经网络处理输入图像,并在每个时间步使用多尺度反卷积架构进行空间预测,我们探究了权重共享和权重不共享的效果,并展示了链式预测在单人姿势估计和视频姿势估计方面取得的最佳效果。
May, 2016
本研究利用循环神经网络的性能,构建了一个强大的系统调用序列 - 序列预测模型,提出了一种新的入侵预测方法。实验结果表明,该方法在入侵检测测试数据集上取得了良好的预测性能,并通过与各种分类器进行验证,使预测序列与已知调用的系统追踪结合,显著提高了入侵检测的性能。
Aug, 2018
通过分析电磁波对降雨的影响,以及其对移动网络性能的影响,本文提出了一种将时间序列数据编码为图像并利用卷积神经网络作为图像分类问题的新方法,以解决在 4G/LTE 移动终端中从接收信号水平(RSL)中识别特定天气现象的问题,并通过不同的数据增强方法,如移动平均值等,对时间序列进行增强。通过综合分析所使用的数据集,进行降雨估计任务以及时间序列转换为图像的方法,最后通过实验展示和讨论结果,为读者提供简洁而综合的概述。
Jun, 2024
通过使用基于卷积神经网络而非 encoder-decoder 结构的方法,每一层在输出序列上重新编码源标记,我们的模型在参数更少的情况下表现出色,优于现有的机器翻译系统。
Aug, 2018
通过将卫星图像时间序列处理作为直接的集合预测问题,将其表示学习过程分解为三个明确步骤:集合 - 更新 - 分散,使我们的模型在 PASTIS 数据集上取得了新的最先进结果,比如 U-TAE 等自定义神经结构。此外,通过将时间和空间组件在可视化方面进行了明确的分离,可以利用最近的计算机视觉进步,例如 Mask2Former,这是一种通用分割架构,从而实现比迄今为止的最佳分数高 8.8 个点的 PQ。
May, 2023