MMAug, 2022

利用部分卷积的深度神经网络对卫星图像时间序列进行高效数据驱动的缺口填充

PDF
TL;DR本文研究如何使用三维空间时间部分卷积作为神经网络的层来填补卫星图像时间序列中的缺失，然后将 U-Net 模型应用于 Sentinel-5P 卫星所提供的不完整的全球一氧化碳观测的图像时间序列，并将结果与两种统计方法进行比较，结果表明预测误差相当，但预测时间快三个量级，适用于处理大量卫星数据。
satellite image time seriesdeep learning modelsspatiotemporal partial convolutionsu-netcarbon monoxide
发现论文，激发创造
  • 利用图像技术填补时间序列间隙：多维上下文自编码器方法填充建筑能耗数据

    本文研究建筑能源预测和管理的问题，尤其是关于如何在能源数据缺失较多的情况下利用基于图像的深度学习方法对这些数据进行填充的研究，结果表明使用部分卷积（Partial Convolution, PConv）的深度学习方法在减小均方误差方面比 2D-CNN 更有效。

    Jul, 2023

  • 使用部分卷积进行不规则孔洞的图像修复

    本文介绍了使用部分卷积方法进行图像修补，着重解决了现有方法中出现的颜色不匹配和模糊度高的问题，并通过实验证明了方法的有效性。

    Apr, 2018

  • 基于深度可分离卷积神经网络的 TROPOMI NO2 柱状体时空估计

    通过引入时间维度和深度卷积层，本文使用部分卷积神经网络模型提高遥感图像的数据填补效果，该模型在使用空气质量模型模拟的数据集上表现出更好的一致性和准确性。

    Apr, 2022

  • 预测时空卫星数据中的缺失值

    本文介绍了一种新的基于排序程序和分位数回归的遥感数据缺失值填充算法，该算法在 MODIS NDVI 数据上经过了测试并证明了其预测性能良好。

    May, 2016

  • 用图神经网络填补 G_ap_s：多元时间序列插值

    本研究使用图神经网络架构 GRIN 来处理多变量时间序列的缺失值，通过信息传递学习时空表示，实现修复缺失数据，并在真实基准测试中表现出超过 20% 的平均绝对误差改善。

    Jul, 2021

  • 边缘深度学习：利用卷积神经网络从卫星图像中提取地块边界

    本文提出了一种利用卫星图像进行农田边界提取的深度学习方法，将该问题转化为多任务语义分割问题，综合考虑像素属于农田、是否是边界以及距离最近边界的距离等三个标签，从而实现准确、可扩展的农田边界提取，该方法在解决现实农业大规模数据采集问题中具有潜在的应用前景。

    Oct, 2019

  • 卫星多光谱图像时间序列农作物分类的深度学习模型的时空权衡

    本篇研究分析多光谱时间序列上几种结构化深度学习模型对农作物分类的影响，结果发现最佳表现的方式是大部分参数用于建模数据的时间结构。这些结果可以作为设计定制的深度学习模型进行农作物分类的指南。

    Jan, 2019

  • 利用循环神经网络修正卫星图像分类地图

    本研究提出了一种迭代增强算法，它能够通过训练循环神经网络来直接学习迭代过程，从而有效地改善卫星图像分类地图的质量。

    Aug, 2016

  • 利用卫星图像的深度卷积网络进行低地球卫星轨道确定

    本文报道了一种基于卫星本身所拍摄的地球图像的计算机视觉方法，用以确定与地面站失去联系的卫星的轨道，相较现有的 Gibbs 方法，该方法使初始轨道估计与 Kalman 滤波器进行差分误差校正的性能得到充分提升，并通过比较 ResNet50、ResNet101、VGG19、VGG16、AlexNet 和 CoAtNet4 等各种神经网络的性能进行了进一步的研究。

    May, 2023

  • 卷积神经网络应用于天空图像，用于短期太阳辐射预测

    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