Apr, 2023

ForamViT-GAN：探索深度学习在微古生物图像分析中的新范式

HTML
PDF
TL;DR该研究提出了一种新的深度学习流程，将分层视觉变换器与基于风格的生成对抗网络算法相结合，可以更高效地获取和合成微古生物的高分辨率标记数据。该工作流展示了一种深度学习的可能性，优化了微古生物学研究和其他基于视觉的地质分析。
发现论文，激发创造
  • 利用深度学习增强微CT图像分辨率和恢复纹理

    本文介绍了一种基于深度学习的数字岩石超分辨率成像技术，利用增强深度超分辨率生成对抗网络（EDSRGAN）对数字岩石进行超分辨率成像，实现了高分辨率图像的重建，特别是对于具有微孔特征的岩石样本，对进一步分析具有重要意义。

    Jul, 2019

  • 地球科学问题的神经网络归因方法：一个新的合成基准数据集

    研究了在地球科学的问题中应用神经网络时，可用的理论解释非常有限。因此，该研究提出了一种基于可加分离函数的框架，用于生成已知先验归因地面真实性的回归问题的归因基准数据集，并使用该数据集进行有关 XAI 方法的客观评价，以提高模型信任度和帮助发现新的科学。

    Mar, 2021

  • 通过模型编辑提高数据有效性化石分割

    使用模型编辑技术和领域知识来提高少数标记图像的化石图像分割，可以在没有额外标记数据的情况下改善不同类型化石的混淆。

    Oct, 2022

  • 使用深度学习集合和数据增强多视图进行化石图像识别

    本研究提出了一种集成多视图和软投票的深度学习多模型框架OGS，用于化石图像的识别和分类，实验结果表明，相对于使用单个基础模型的基线方法，OGS使用三个基础模型始终表现更好，并且通过与两位人类专家的一致性测试证明其高效性。

    Feb, 2023

  • 一种基于原则的深度学习方法用于地质相生成

    通过生成对抗网络和深度变分推断来条件模拟地下体积中的蜿蜒通道，可以有效地从目标数据分布中进行采样和优化稳定化方法。

    May, 2023

  • 通过深度学习进行埃拉米楔形文字的定位和分类

    利用DeepScribe模块，能够从阿契美尼德王朝时期的楔形文字片段中，通过目标检测、分类和聚类等机器学习技术，提供有效的翻译建议。

    Jun, 2023

  • 侏罗纪世界重制：通过零样本长图像转换将古代化石复活

    利用文本引导的潜在扩散模型，在大领域差距中实现了零样本图像到图像的翻译，并提出了新的任务Skull2Animal以在头骨与活体动物之间进行翻译，通过指导式扩散和图像编辑模型设计了Revive-2I基准模型，桥接大领域差距需要先有目标领域的先验知识。

    Aug, 2023

  • 地球科学与生成式人工智能以及大型语言模型的交叉研究：基础、趋势与未来挑战

    通过生成人工智能在地球科学领域的潜在应用，我们探讨了机器学习和深度学习的最新发展，以及它们在解决与地球科学和地球系统动力学相关的预测问题、模拟和多准则决策挑战方面所发挥的作用。并且介绍了在地球科学中使用的几种生成对抗网络（GANs）、物理信息神经网络（PINNs）和基于生成预训练转换器（GPT）的结构。这些工具在数据生成/增强、超分辨率、全色锐化、去雾、恢复和地表变化等多个应用中帮助地球科学界取得了进展。但还存在一些挑战，如确保物理解释性、恶意用途案例和可信度。总的来说，GAI模型对地球科学界有着巨大潜力，特别是在支持气候变化、城市科学、大气科学、海洋科学和行星科学方面，通过其对数据驱动建模和不确定性量化的非凡能力。

    Jan, 2024

  • 使用具有注意力层的卷积神经网络从地震振幅中高分辨率地检测地球结构异质性

    提出一种使用卷积神经网络和注意力层结合的高效且具有成本效益的架构，用于检测地震结构异质性，通过利用合成数据进行迁移学习以训练和微调模型，解决有限标注数据可用性的挑战。

    Apr, 2024

  • 基于人工智能的化石鲨鱼牙齿识别：释放卷积神经网络的潜力

    展示深度学习技术如何帮助识别孤立化石鲨鱼牙齿，为开发自动化化石识别和分类的新信息工具铺平道路。

    May, 2024