ACLAug, 2023

基于异常检测的高分辨率卫星影像烧毁区提取

PDF
TL;DR利用卫星图像进行野火检测是遥感领域中广泛研究的任务，最近，深度学习方法已成为自动化此任务的可扩展解决方案，尤其是在无监督学习领域，其中没有训练数据可用。本文以矢量量化变分自动编码器 (VQ-VAE) 作为框架，通过离散潜在空间执行无监督的烧伤区域提取，并将其与专用的植被、水和亮度指数进行深度融合，实验结果显示了该技术在未来无监督烧伤区域提取研究中具有很高的潜力。
wildfire detectionsatellite imagesdeep learning methodsanomaly detectionunsupervised burnt area extraction
发现论文，激发创造
  • 复杂工业图像的监督异常检测

    自动化视觉检测在工业生产线上对于提高产品质量至关重要。异常检测方法是实现此目的的强大工具。此论文介绍了一种包含具有挑战性真实缺陷实例的新型实际工业数据集，并提出了一种基于分割的异常检测器，其在该数据集上表现出先进性能。

    May, 2024

  • 卫星图像中火山活动异常检测

    该研究探索了使用无监督深度学习在卫星数据中识别火山变形作为异常的方法，利用 Patch Distribution Modeling (PaDiM) 模型并通过加权距离增强检测性能，同时还提出了预处理方法来处理噪声和不完整数据点。最终使用五座具有不同变形特征的火山进行测试，并与监督学习方法进行了性能比较。

    May, 2024

  • 使用 U-Net 和 Landsat 图像进行可扩展的烧毁区域制图的两种方法

    利用远程感知技术与人工智能方法，以提高实时、高分辨率的火灾监测为目标，本研究探讨了两种基于 U-Net 模型的自动化烧毁区域绘图方法，分别为 128 和 AllSizes (AS) 模型，在智利两个容易发生火灾的地区利用 Landsat 影像和时间序列数据进行训练与应用，实验证明 AS 模型在增加数据集平衡性方面能够取得更好的性能。

    Nov, 2023

  • 利用卫星图像进行深度多模式学习的快速森林砍伐和烧毁区域检测

    利用深度卷积神经网络和多模卫星图像对亚马逊森林的砍伐估测和火灾检测问题进行了研究，并提出了一种新的数据集和处理技术。

    Jul, 2023

  • 条件变分自编码器进行异常检测

    本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

    Oct, 2020

  • 通过建立感知特征模型进行异常检测定位

    本文提出了一种基于 Feature-Augmented VAE 的复杂异常模型的新 VAE 模型，该模型不仅在像素空间中重构输入图像，而且还在多个不同的特征空间中进行重构，通过对先前训练的卷积神经网络进行计算，对 MVTec 异常检测和定位数据集的表现明显优于现有最先进的方法。

    Aug, 2020

  • 鲁棒烧伤区域勾画基于多任务学习

    在本研究中，我们提出了一种多任务学习框架，通过构建一个特定数据集和引入地表覆盖分类作为辅助任务，以提高烧毁区域分割模型的鲁棒性和性能。与标准的二进制分割方法相比，我们的方法在性能上表现出了更好的效果。

    Sep, 2023

  • 利用时间远程感知数据上的自监督学习进行快速野火热点检测

    通过利用卫星网络和先进的人工智能模型来自动检测火点（即活跃火灾引起的热异常），以实时构建野火监测系统，本研究提出了一个包含欧洲火灾相关的遥感数据时间序列和基于自我监督学习的模型，能够分析多时相数据并在潜在实时中识别火点。使用我们的数据集和包含几次火灾事件的 Thraws 数据集，训练和评估了我们模型的性能，得到了 63.58 的 F1 分数。

    May, 2024

  • 基于多模态监督机器学习的欧洲基于卫星的野火识别方法

    提出了一种利用多个信息源提高自动卫星基热点检测系统准确性的野火识别解决方案，并使用 European Forest Fire Information System 数据库与 Moderate-resolution Imaging Spectroradiometer 和 Visible Infrared Imaging Radiometer Suite 的热异常进行交叉引用，构建了一个用于欧洲相关野火研究的大规模热点数据集。然后，提出了一种新颖的多模态监督机器学习方法，用于区分野火和其他事件的热点检测。实验结果表明我们的方法在野火识别任务中的有效性。

    Jul, 2023

  • 使用变分自动编码器进行无监督异常定位

    提出了一种基于深度学习和变分自动编码器的医学图像寻找异常度量的解决方案，其中尤其强调了基于 Kullback-Leibler (KL) 分歧的异常定位算法，实验证明它具有比现有方法更好的性能。

    Jul, 2019