利用领域适应性进行低资源地理空间机器学习
现代机器学习在地理空间领域取得了巨大的进展,而数据中心学习方法的应用对于提高精度、泛化能力和实际应用产生了积极作用。本文提出了一种自动化数据中心学习方法的定义和精确分类,总结了地理空间领域的相关研究,并将其归类为不同的组别,通过具体的实现例子展示了如何利用数据中心机器学习方法对地理空间数据进行操作。
Dec, 2023
提出了一种新的轻量级模型 ——GeoMultiTaskNet,使用地理坐标对源领域和目标领域进行信息对齐,采用动态类别抽样(Dynamic Class Sampling)策略来适应语义分割的损失函数,将其用于自然资源遥感图像分割,并取得了最先进的性能。
Apr, 2023
通过设计对抗生成损失,在不定义域的情况下,通过自监督域无关领域自适应方法(SS (DA) 2)来解决全球规模卫星图像处理中由地理区域或获取条件等引起的域漂移问题。
Sep, 2023
本研究提出了一种新颖的域自适应范式,利用遥感卫星数据来研究对比自监督表示学习和知识转移。通过在源数据集上进行自监督对比学习的预训练,并以循环交替的方式在目标数据集上进行下游任务,该方法实现了自监督知识转移,达到了最先进的性能和可解释的表示学习。
Apr, 2023
电子数据和机器学习的地理空间建模已成为环境研究中广受欢迎的趋势,通过准确的地理空间预测有助于生态监测、质量评估、政策制定和行动计划等方面的有效资源管理。然而,对于进一步的研究和实践,需要解决许多问题,以获得精确可复现的结果。研究综述了地理空间建模中常见的问题和挑战,并提供了克服这些挑战的技术和流行编程工具,还讨论了地理空间人工智能在环境应用中的前景。
Nov, 2023
目前生态学和水文学的机器学习模型在全球的代表性以及由缺乏外推能力而导致的局限性方面存在问题,建议未来的建模工作应考虑使用领域适应技术来改善外推能力。
Mar, 2024
利用卫星搭载的机器学习硬件加速器,通过卷积神经网络等机器学习技术在机载上处理有效载荷数据的出现,其中一个重要的例子是使用卷积神经网络在地球观测任务中检测高光谱数据中云的存在,仅将晴空数据进行下行传输以节省带宽。然而,在新任务部署之前,使用新传感器的新任务将没有足够的代表性数据集来训练卷积神经网络模型,而仅使用以前任务的数据训练的模型在新任务的数据处理过程中会表现不佳。这个问题源于领域差异,即由以前和未来任务中由不同传感器生成的数据的基本分布的差异。本文针对机载高光谱云检测中的领域差异问题进行了研究。我们的主要贡献在于制定了由具体的地球观测任务驱动的新领域适应任务,开发了一种新颖的用于带宽高效、有监督领域适应的算法,并在太空部署型神经网络加速器上验证了测试时领域适应算法。我们的贡献使得只需最小程度的数据传输(例如,ResNet50 中只传输 1% 的权重)即可实现领域适应,在卫星上部署和更新更复杂的卷积神经网络模型,而不会受到领域差异和带宽限制的阻碍。
Sep, 2023
综述小规模和高度异质的生物学数据中的领域自适应方法,探讨了领域自适应在生物研究中的好处、挑战以及通过关键代表性方法进行的批判性讨论,提出了将领域自适应技术纳入计算生物学家的工具箱,并进一步开发定制方法的观点。
May, 2024
本文研究了如何处理在应用深度学习技术识别危机管理时,数据高度不平衡的情况,探讨了多种技术并提出了一套综合方法,旨在提高少数类别分类的性能和模型可靠性。
Apr, 2020