Sep, 2019

应用卷积神经网络检测 InSAR 时间序列中的慢速持续变形

PDF
TL;DR本文探讨卷积神经网络在探测卫星 InSAR 图像中缓慢、持续变形中的应用，并提出用于组合不同封套参数结果的均值滤波方法。在 Campi Flegrei 和 Dallol 测试中，检测到了分别为 8.5cm/yr 和 3.5cm/yr 的变形。
automated systemssatellite insar imageryglobal monitoring systemcnnslow sustained deformations
发现论文，激发创造
  • 卫星图像中火山活动异常检测

    该研究探索了使用无监督深度学习在卫星数据中识别火山变形作为异常的方法，利用 Patch Distribution Modeling (PaDiM) 模型并通过加权距离增强检测性能，同时还提出了预处理方法来处理噪声和不完整数据点。最终使用五座具有不同变形特征的火山进行测试，并与监督学习方法进行了性能比较。

    May, 2024

  • 使用卷积神经网络在卫星图像中进行建筑物损伤检测

    利用机器学习技术自动检测卫星图像中的建筑物损伤，提高灾后救援响应效率。

    Oct, 2019

  • 利用卷积神经网络从 Sentinel-1 数据进行自动化海洋船舶监测

    通过引入小波变换卷积神经网络方法，利用 Sentinel-1 SAR-C 双极化数据获取了印度西部沿海区域海洋监视和海事监测中的船舶检测，并获得了 95.46% 的检测准确率，进而实现了对海洋船舶的自动监测和外来船只的识别。

    Apr, 2023

  • 地质时间序列的去噪处理：基于时空图神经网络的应用于慢滑事件提取

    本研究设计了一种多站点时空图形注意力去噪器，通过学习 GNSS 噪声的潜在特征以达到亚毫米精度的慢滑事件相关位移去噪，验证了该方法与震颤的良好时空相关性。

    May, 2024

  • 深度学习连续引力波

    利用深度神经网络进行全天文搜寻频率范围为 20 Hz 到 1000 Hz 的连续重力波信号，结果显示相对于完全匹配滤波搜寻，神经网络在容易的情况下性能可以与之匹敌，在困难的情况下性能下降，通过测试不同的信号频率和强度，发现该方法具有良好的泛化能力，可以用于搜寻全部的频率范围。

    Apr, 2019

  • 从卫星图像到灾难洞察

    本研究提出了一种卷积神经网络的框架来进行基于卫星图像的变化检测，通过阈值化和划分网格来找到灾害影响最严重的区域，并使用新的灾害影响指数（DII）来衡量自然灾害的影响。在应用于飓风哈维和圣塔罗莎大火数据集时，框架的 F1 分数分别为 81.2％和 83.5％。

    Dec, 2018

  • 深度学习预测基拉韦厄火山的火山坍塌事件

    该研究使用深度学习的图神经网络方法对 Kilauea 火山的火山口坍塌事件进行预测，发现这种方法能够在仅使用 0.5 天的数据时，准确地预测火山口坍塌的时间，并且使用高信噪比的倾斜仪数据时预测能力最强，这些结果展示了在监测良好的条件下对火山口坍塌序列的可预测性，并突出了机器学习方法在有限训练数据下预测真实世界灾难性事件的潜力。

    Apr, 2024

  • 卷积神经网络用于地震检测

    使用卷积神经网络 (ConvNetQuake) 检测和定位地震事件，以解决小型和中等级地震活动中的低幅度震动噪声的问题。

    Apr, 2023

  • 可变形卷积神经网络

    本文证明卷积神经网络的固定几何结构导致其在几何变换方面受限，从而引入了两个新模块增强 CNNs 的变换建模能力。这两个模块是可变形卷积和可变形 RoI 池化。这些新的模块可以轻松替换现有 CNNs 中的普通模块，并且可以通过标准反向传播进行端到端训练，从而产生可变形卷积网络。广泛的实验证实了这种方法在物体检测和语义分割的复杂视觉任务上的有效性。

    Mar, 2017

  • 基于正规化流的深度变分贝叶斯网络用于利用 InSAR 图像估计地震多灾害及其影响

    通过使用 Interferometric Synthetic aperture radar (InSAR) 数据，我们介绍了一种新颖的具有正态流派生的随机变分推断方法，用于联合估计从噪声干扰的 InSAR 图像中的多个未观测危险和影响。

    Oct, 2023