用于勾画冰川崩解前沿的深度主动轮廓模型
该研究旨在提出一种自动化图像分割框架,该框架结合卷积神经网络和活动轮廓模型,以实现遥感图像中所有建筑的快速、准确、自动分割。
Jul, 2020
通过此项工作,在大规模、空间不重叠的冰川和覆盖垃圾的冰川冰的分割方面,我们提出了一种改进版的U-Net,并引入了一种新的自学习边界感知损失来提高冰川分割性能;对于冰川的多光谱Landsat 7图像,我们还提出了一种特征显着性评分来理解每个特征在冰川映射中的贡献;经过实验证明,使用自学习边界感知损失训练的冰川模型胜过使用Dice loss训练的模型,并且红色、短波红外线和近红外带对于Landsat 7图像中的覆盖垃圾的冰川分割具有最高的贡献度。
Jan, 2023
本文提出一种利用自适应递归图卷积网络的机器学习模型,通过使用空气激光雷达数据中近年来积雪量的预测,预测深层冰层的历史积雪量,以研究气候趋势和精准预测未来的气候和降水情况。我们发现,相比于之前的模型以及等价的无时间、无几何形态和非自适应模型,我们的模型表现更好、更一致。
Jun, 2023
评估新兴的计算机视觉基础模型及其在自然景观要素分割中的性能,通过测试Meta的Segment Anything Model (SAM)在零样本性能、领域适应性和理论上限预测准确性等方面来评估其大型AI视觉模型的性能,并指出了改进的空间,以在具有挑战性的地理空间领域中支持AI辅助的地形制图。
Jan, 2024
北极永久冻土由于全球气候变化而面临重大变化,远程感知在更好地了解北极的根本过程方面发挥着关键作用。本研究侧重于远程检测退化性融沉积(RTS),这是一种与融化引起的滑坡类似的永久冻土干扰。针对来自空间的此类分析,深度学习已成为一种不可或缺的工具,但有限的标记训练数据仍然是训练准确模型的挑战。为了改善模型在北极的普适性而不需要额外的标记数据,我们提出了一种半监督学习方法来训练语义分割模型以检测RTS。我们的框架PixelDINO同时在标记数据和未标记数据上进行训练。对于未标记的数据,模型将图像分割为自学习的伪类,并且训练过程确保了这些伪类在输入数据的强增强过程中的一致性。我们的实验证明,PixelDINO可以提高模型性能,不仅优于监督基线方法,还优于现有的半监督语义分割方法,凸显了其在训练能够很好地推广到未包含在训练数据中的地区的鲁棒模型的潜力。
Jan, 2024
准确的全球冰川绘图对于理解气候变化的影响至关重要,但冰川的多样性、难以分类的残渣和大数据处理提出了挑战。本论文提出了一种卷积-变换器的深度学习模型(GlaViTU)和五种策略,利用开放卫星图像进行多时期的全球冰川绘图。评估空间、时间和跨传感器的泛化性表明,我们最佳策略在大多数情况下,在先前未观测到的图像上实现了交并比大于0.85,对于残渣丰富的地区如高山亚洲,这个值下降到了大于0.75,而对于以干净冰为主的地区,这个值增加到了大于0.90。此外,添加合成孔径雷达数据,即回波和干涉相干度,提高了所有有可用数据的地区的准确性。报告了冰川扩展的校准置信度,使预测更加可靠和可解释。我们还发布了覆盖全球9%的基准数据集。我们的结果支持自动化多时期和全球冰川绘图的努力。
Jan, 2024
利用遥感图像和基于Mask R-CNN的实例分割模型,个别划定高山和高纬度生态系统中杜松灌木树线上的位置,以监测气候变化对其产生的长期影响。通过新型的数据构建设计和基于多重交叉的地面真实区域度量,有效地克服了传统实地调查方法存在的局限,并实现了对复杂生长模式物种的准确划定。
Jan, 2024
本研究解决了传统冰川观测方法不足的问题,提出了一种结合多传感器遥感数据与深度学习的新方法。研究发现,该方法能够更精确地描绘冰川及其时间变化,尤其对难以区分的冰川类型具有显著的应用潜力。此成果对有关气候变化和水资源管理的科学研究与实践具有重要影响。
Sep, 2024