May, 2023

U-TILISE：光学卫星时间序列云去除的序列到序列模型

PDF
TL;DR利用表示学习的思路，发展了 U-TILISE，一种高效的神经模型，能够隐式地捕捉光谱强度的时空模式，并通过训练将云层遮掩的输入序列映射为无云的输出序列。实验结果表明，与标准插值基准相比，在之前看到的位置，PSNR 增加了 1.8 dB，在未见过的位置增加了 1.3 dB。
发现论文，激发创造
  • UnCRtainTS：光学卫星时间序列云去除的不确定性量化

    本文介绍了一种名为 UnCRtainTS 的多时空云去除方法，它是基于一种新颖的注意力机制和一种多元不确定性预测公式的组合。在两个公开的云去除数据集上，它取得了最新的图像重建技术实时性能，并展示了这种方法如何通过精准控制重建质量来提高不确定性预测的准确性。

    Apr, 2023

  • 全球全季 Sentinel-2 卫星影像云去除的多源数据融合

    通过构建一个新的数据集，本文针对云遮挡导致的地球影像质量下降问题，提出了一种适用于不同区域、季节和云覆盖度变化的新型云去除模型，并在两个性能指标上进行了评估。

    Sep, 2020

  • 卫星影像时间序列编码的重新思考

    通过将卫星图像时间序列处理作为直接的集合预测问题，将其表示学习过程分解为三个明确步骤：集合 - 更新 - 分散，使我们的模型在 PASTIS 数据集上取得了新的最先进结果，比如 U-TAE 等自定义神经结构。此外，通过将时间和空间组件在可视化方面进行了明确的分离，可以利用最近的计算机视觉进步，例如 Mask2Former，这是一种通用分割架构，从而实现比迄今为止的最佳分数高 8.8 个点的 PQ。

    May, 2023

  • 透过云层看清楚：使用 Prithvi 基础模型填补云间隙

    通过比较基础的 Vision Transformer (ViT) 模型与基准的条件生成对抗网络 (CGAN) 模型在时间序列的多光谱卫星图像上进行缺失值插补的性能，我们评估了插补准确性和语境保留，使用了结构相似性指数和绝对均值误差等定量评估指标以及定性的视觉分析。

    Apr, 2024

  • PSIque：卷积序列到序列网络预测卫星图像的下一帧

    本文提出了一种卷积序列到序列自编码器模型，结合编码器和解码器模块之间的对称跳跃连接，预测先前卫星图像中未发现的天气情况，实验结果表明该模型的性能良好。

    Nov, 2017

  • 光学时间序列图像中的多尺度缺失数据修复与遮挡时空注意力网络

    提出了一种基于深度学习的新方法 MS2TAN (Multi-scale Masked Spatial-Temporal Attention Network)，用于重建时间序列的遥感图像，通过充分利用空时辅助信息，得到更高的恢复准确性。

    Jun, 2024

  • 卷积 LSTM 用于远程感知图像的云适应分割

    本研究探讨了利用卷积长短时记忆网络进行植被分类的云覆盖鲁棒性，包括可视化内部细胞激活和对不同云覆盖数据集进行消融实验，结果表明网络内部已经自动学习了云过滤机制，进一步证明了多时间深度学习方法的预处理流程的必要性存在疑问。

    Oct, 2018

  • 基于顺序循环编码器的多时相土地覆被分类

    本研究提出一种基于序列编码器 - 解码器结构的植被类的物候模型，特别考虑了观测序列中的云量过滤，最终使用无需繁琐的预处理步骤实现了无云涵盖下对不同种类的农作物进行地表覆盖分类的最佳结果。

    Feb, 2018

  • 卫星图像时间序列分类的时间卷积神经网络

    本文提出 Temporal Convolutional Neural Networks (TempCNNs) 来实现 Satellite Image Time Series (SITS) 的分类，通过在时间维度上应用卷积来完成。作者进行了一系列实验，证明了 TempCNNs 比传统算法（如 Random Forest）和近期广泛应用的 Recurrent Neural Networks（RNNs）更加准确，提供了网络结构、正则化机制和超参数等方面的指导，并确认了 TempCNNs 在土地覆盖地图上的可视化效果。

    Nov, 2018

  • 利用深度学习进行云空缺填补，改善草地监测

    利用深度学习方法，结合免云的光学观测和天气无关的合成孔径雷达数据，采用组合卷积神经网络 (CNN) - 循环神经网络 (RNN) 架构生成连续的归一化植被指数 (NDVI) 时间序列，该方法在连续观测序列中对事件检测任务的准确性进行了改进，并有效滤除由云观测引起的突变和噪声。

    Mar, 2024