基于注意力机制的卫星图像散射网络
本篇研究提出使用多层神经网络基于多通道卫星图像对复杂大气动态进行理解,为单个台风坐标预测任务进行线性回归并在东北半球获得了有趣的预测结果。
Aug, 2017
该研究使用多头自注意机制并修改时间注意编码器,以有效处理全球规模的卫星图像时间序列分类,提高时间序列分类的准确性和效率。在开放访问的卫星图像数据集中,使用更少的参数和降低计算复杂度,该方法优于其他现有的时间序列分类算法。
Jul, 2020
本文研究如何利用深度学习算法,通过比较新的农作物分类模型,结合实验数据分析出数据预处理的作用和各种神经网络架构的性能,发现自我注意力机制的性能最好,但数据预处理对所有模型的性能均有提升。
Oct, 2019
本文介绍了一种新的卷积神经网络 SCA-CNN,其中引入了空间和通道注意力,用于图像描述任务,结果表明 SCA-CNN 明显优于现有的基于视觉关注的图像描述方法。
Nov, 2016
本文介绍一种基于 UNet 结构,与双向 LSTM 和 Attention 机制相结合的创新架构,旨在共同利用卫星数据的时空性质,更好地识别各种土地覆盖的独特时间模式, 并将其用于全球多个地区的作物测绘。实验结果表明,该方法能够缓解噪声和识别区分性时间段的有效性,并与其他最先进的方法在两个实际数据集上进行定量和定性比较。
May, 2021
本研究介绍了一种使用对抗学习合成高分辨率多光谱卫星影像的方法,其中通过注意力机制规范能带合成过程,进一步使用带渐变惩罚规范对抗性学习的训练和稳定性,提出了一种评估鉴别器深度特征的新成本函数,通过对 LISS-3,LISS-4 和 WorldView-2 数据集上的实验发现,使用该方法可以获得比目前现有技术更好的结果,并提供简单易用、丰富多样的高质量成像数据产品。
Apr, 2020
本文提出了一种基于关注机制的神经网络方法,通过通道关注和空间关注模块抑制色差和噪点,以及使用倒置洗牌池化层选择有用信息,实现从原始传感器数据生成高质量的低光图像增强,表现优异,特别是在低光条件下存在严重噪声时。
May, 2020
提出了 Spatial-Frequency Attention Network(SFANet),这是一个新颖的深度学习框架,通过解决传统方法难以捕捉气象系统复杂动力学的问题,在高分辨率数据存在的情况下提高时空天气预测的准确性。通过整合先进的令牌混合和注意机制,SFANet 优化处理高维时空序列的过程,以捕捉组件间的关系信息和建模广泛的长距离关系。具有空间频率注意模块的 SFANet 能够捕捉复杂的跨模态相关性,并在两个不同数据集上展示了惊人的性能,证明其在预测降水模式和预测 El Niño 事件方面具有卓越的能力。
May, 2024
提出了一个使用生成对抗网络和卷积神经网络相结合的新颖框架,该模型利用所有卫星数据进行训练,只使用高频红外和水汽数据提供强度估计,并且可以将最大估计频率从 3 小时提高到不到 15 分钟。
Oct, 2020