卫星载荷高光谱云检测的域自适应

Sep, 2023

卫星载荷高光谱云检测的域自适应

Domain Adaptation for Satellite-Borne Hyperspectral Cloud Detection

Andrew Du, Anh-Dzung Doan, Yee Wei Law, Tat-Jun Chin

TL;DR利用卫星搭载的机器学习硬件加速器，通过卷积神经网络等机器学习技术在机载上处理有效载荷数据的出现，其中一个重要的例子是使用卷积神经网络在地球观测任务中检测高光谱数据中云的存在，仅将晴空数据进行下行传输以节省带宽。然而，在新任务部署之前，使用新传感器的新任务将没有足够的代表性数据集来训练卷积神经网络模型，而仅使用以前任务的数据训练的模型在新任务的数据处理过程中会表现不佳。这个问题源于领域差异，即由以前和未来任务中由不同传感器生成的数据的基本分布的差异。本文针对机载高光谱云检测中的领域差异问题进行了研究。我们的主要贡献在于制定了由具体的地球观测任务驱动的新领域适应任务，开发了一种新颖的用于带宽高效、有监督领域适应的算法，并在太空部署型神经网络加速器上验证了测试时领域适应算法。我们的贡献使得只需最小程度的数据传输（例如，ResNet50 中只传输 1% 的权重）即可实现领域适应，在卫星上部署和更新更复杂的卷积神经网络模型，而不会受到领域差异和带宽限制的阻碍。

Abstract

The advent of satellite-borne machine learning hardware accelerators has enabled the on-board processing of payload data using machine learning techniques such as convolutional neural networks (CNN). A notable ex

satellite-borne machine learning hardware accelerators hyperspectral data convolutional neural networks domain gap bandwidth-efficient supervised domain adaptation

发现论文，激发创造

自监督领域无关卫星图像域自适应

通过设计对抗生成损失，在不定义域的情况下，通过自监督域无关领域自适应方法（SS (DA) 2）来解决全球规模卫星图像处理中由地理区域或获取条件等引起的域漂移问题。

Sep, 2023

卫星高光谱图像中的海陆云分割

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。

Oct, 2023

利用领域适应性进行低资源地理空间机器学习

本研究探讨了现代领域自适应在多种提出的地理空间基准中的应用，揭示了独特的挑战并提出了解决方案，以解决机器学习在遥感中受到有标签数据瓶颈的困扰。

Jul, 2021

使用生成对抗网络的无监督领域自适应在航空影像语义分割中的应用

本文研究利用生成对抗网络减少领域适应在空中图像语义分割中的影响，并在实验中测试表明，在 Potsdam 领域（源领域）到 Vaihingen 领域（目标领域）的转变中，该方法将整体准确性从 35% 提高到 52%。

May, 2019

城市场景语义分割的课程域自适应

本论文介绍一种基于课程式学习（curriculum-style learning）的方法，通过学习全局标签分布和局部分布来缓解城市风景语义分割中真实图像和合成数据之间的领域差异，并在两个数据集和两个骨干网络上的实验中表现优异。

Jul, 2017

基于课程领域自适应的城市场景语义分割方法

在城市场景语义分割中，我们提出一种课程学习的方法来尽可能减小真实和合成数据之间的差距。该方法采用先易后难的策略，对全局标签分布和本地超像素标签分布进行先验知识的推断，并在此基础上训练语义分割网络。在两个数据集和两种 Backbone 网络上，我们的方法表现优于基线，并且进行了广泛的实验研究。

Dec, 2018

遥感卫星图像的领域适应自监督表示学习

本研究提出了一种新颖的域自适应范式，利用遥感卫星数据来研究对比自监督表示学习和知识转移。通过在源数据集上进行自监督对比学习的预训练，并以循环交替的方式在目标数据集上进行下游任务，该方法实现了自监督知识转移，达到了最先进的性能和可解释的表示学习。

Apr, 2023

气候适应：从不平衡卫星数据中可靠地预测

本文研究了如何处理在应用深度学习技术识别危机管理时，数据高度不平衡的情况，探讨了多种技术并提出了一套综合方法，旨在提高少数类别分类的性能和模型可靠性。

Apr, 2020

BenchCloudVision: 云检测和遥感影像云分割的深度学习方法评估

对云的分割从遥感图像进行了七种切割和检测算法的基准分析，评估了其架构方法，并确定了最佳性能。评估了模型在使用少量光谱波段进行云图分割时的灵活性。使用 Sentinel-2 和 Landsat-8 作为数据集进行了实验验证。

Feb, 2024

DAugNet：卫星图像语义分割的无监督、多源、多目标和终身域适应

提出了一种新方法 DAugNet，用于无监督的多源、多目标、终身领域自适应卫星图像分类，包括分类器和数据增强器，增强器可以在多个卫星图像之间执行风格转换，每次训练迭代提供分类器多样化的数据，使其对不同的领域数据分布具有鲁棒性，该方法明显优于现有方法。

May, 2020