本文提出了一种基于 SAR 卫星图像的混合卷积变换器网络的海冰分割新方法,优于传统卷积网络,在保持良好性能的同时比纯变换器模型高效,该方法对于海冰参数的自动化监测非常重要。
Jun, 2023
使用机器学习算法对海冰进行自动化定位和分割,通过使用带噪声的 Sentinel-1 SAR 影像,开发了高效、具有空间分辨率、维度保持能力,并且对噪声更加稳健的面向海冰映射的算法。
Oct, 2023
该研究提出了一种新的工具 ViSual_IceD,它使用并行编码器级别,将多光谱图像和合成孔径雷达 (SAR) 图像进行融合和连接,以实现极地区域可靠准确的海冰覆盖检测。
Jan, 2024
利用低分辨率区域标签,我们的弱监督学习方法在海冰分类中取得了优异的像素级分类性能,通过在训练中引入区域损失表示来衡量预测结果和冰图导出的海冰类型分布之间的差异。借助 AI4Arctic 海冰挑战数据集,我们的方法在映射分辨率和类别精度方面超过了完全监督的 U-Net 基准和 AutoIce 挑战的最佳解决方案,标志着自动化操作的海冰制图方面的重大进展。
May, 2024
分析了深度学习用于遥感数据分析的挑战、近期进展及如何利用该技术应对包括气候变化和城市化等前所未有的大规模具有影响力的挑战,鼓励遥感科学家将自己的专业知识带入深度学习,并将其作为隐式通用模型。
Oct, 2017
对合成孔径雷达数据进行深度学习应用于地图制作越来越常见,本文通过对比从头训练和微调预训练模型的性能,发现预训练模型在海冰映像的测试样本中表现更好,尤其是在融化季节。
基于深度学习模型及统计分析方法,我们提出了 MT-IceNet,一种预测北极海冰浓度的模型,通过处理多时空输入流来生成未来时间步的空间地图,表现出有希望的预测性能。
Aug, 2023
利用深度学习方法对卫星图像时间序列数据进行环境、农业和其他地球观测变量的建模的最新方法进行了综述,为遥感专家提供了一个利用时间信息增强地球观测模型的资源。
Apr, 2024
卫星通过边缘推理越来越多地采用机载人工智能技术来提高平台的自主性。本研究通过训练 16 种不同模型来实现高分辨率卫星图像的多类别分割,该研究提供了这些模型的代码并对其进行了综合评估,同时介绍了基于海洋、陆地和云覆盖分类的海洋 - 陆地 - 云覆盖分割应用场景。我们得出的结论是我们轻量级的深度学习模型(称为 1D-Justo-LiuNet)在海洋 - 陆地 - 云碧书分割方面的性能(0.93 准确率)和参数数量(4,563 个)方面始终优于现有的 U-Net 及其变体,然而 1D 模型在测试处理架构中表现出的推理时间较长(15 秒),这是明显不太理想的。此外,我们还证明了轨道内图像分割应该在 L1b 辐射计校准之后进行,而不是在原始数据上进行,并额外显示将光谱通道减少到 3 会降低模型的参数数量和推理时间,但牺牲了分割性能。
基于深度学习模型对特定水域海冰浓度的空间分布进行长期预测,实验结果表明相较于资源密集型的物理模型,该方法在某些时段具有相当甚至更优的预测效果。与 Kara Sea 的基于物理模型的预测系统 SEAS5 相比,我们实现了 20% 的改进。
Dec, 2023