本文介绍了一种解决燃烧区域划分问题的新型开放数据集,包括加利福尼亚森林火灾的先后两次影像,同时提供了基于光谱指数分析、SegFormer 模型和 U-Net 模型的三种不同基准线模型。
Jan, 2024
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
我们对多个二值化方法进行了比较研究,包括全局阈值、区域生长、支持向量机、随机森林、多层感知器、U-Net 和 DeepLabV3 +,评估了工业燃烧器火焰的公共基准数据集。结果表明,深度学习是最准确的方法,而传统图像处理技术则是一个快速和简单的选择。
Jun, 2023
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
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。
Aug, 2023
本研究旨在使用改进的 U-Net 结构的卷积机器学习模型,基于卫星图像创建土地覆盖分类映射,使用 BigEarthNet 卫星图像归档和原始数据集对模型进行训练和测试,结果显示可以提高现有土地分类图的精度和土地覆盖变化检测。
Mar, 2020
本研究介绍了一种用于定量分析烧伤严重程度的机器学习流水线,结合了卷积神经网络和边界注意力映射技术,有效地对皮肤烧伤区域进行定位和分割,并在两个数据集上进行了评估。
May, 2023
使用多个数据源和方法,通过 Landsat-8 光学图像、Sentinel-1 合成孔径雷达(SAR)图像、PALSAR SAR 图像和地形特征,预测和映射火灾燃料类型和分布。
Mar, 2024
本文介绍了一种名为 SPADA 的框架,它利用稀疏的标注和领域自适应技术进行语义分割,用于燃料地图勾画中的地表覆盖分割,在使用 LUCAS 和 Urban Atlas 等可靠地面真相进行性能评估后,表明该技术的有效性。
肺癌和 COVID-19 是世界上患病率和死亡率最高的疾病之一。针对早期阶段疾病的病灶识别对医生而言是困难且耗时的,因此,多任务学习是一种从少量医学数据中提取重要特征(如病灶)的方法,因为它能更好地进行泛化。我们提出了一种新颖的多任务框架,用于分类、分割、重建和检测。据我们所知,我们是第一个将检测添加到多任务解决方案中的研究者。此外,我们还检查了在分割任务中使用两种不同的骨干网络和不同的损失函数的可能性。