Sep, 2023

评估IBM和NASA的地理空间基础模型在洪涝淹没区划中的应用

HTML
PDF
TL;DR评估IBM-NASA的Prithvi模型在洪水淹没区域的地理空间分析任务中的性能，并与其他卷积神经网络和视觉变换器架构进行比较，结果显示了Prithvi模型在未见过的区域中分割淹没区域的出色可迁移性，同时建议在多尺度表示学习、高级图像分析任务的端到端流程和输入数据波段的灵活性方面进一步改进。
发现论文，激发创造
  • Multi$^{3}$Net：多尺度、多传感器和多时相卫星图像融合分割洪水淹没建筑物

    本研究提出了一个基于卷积神经网络可快速分割洪水淹没建筑的新方法，并结合多分辨率、多传感器、多时相卫星图像，本方法迅速生成卫星图像洪水地图，有助于应对洪水事件的早期响应；同时，通过结合多时相信息，本方法也能用于快速而精确的灾后伤害评估，并可帮助政府更好地协调中长期的财政援助计划。我们还将我们基于编码器-解码器结构的多流视频数据融合方法与其他现有研究进行了比较，并证明了它的性能更佳。此外，我们还发布了一个全面预处理和标记的多分辨率和多时相卫星图像灾害数据集以及我们的源代码。

    Dec, 2018

  • 推断过去：一个结合CNN-LSTM深度学习框架的卫星数据融合历史淹没区域制图方法

    本文介绍一种结合卫星图像数据和深度学习模型的方法，来预测氾水面积。该方法在孟加拉国的历史氾水数据中进行测试，结果表明该方法比传统算法（如CNN和阈值算法）效果更好。

    May, 2023

  • 通用地理空间人工智能的基础模型

    基于深度学习的Prithvi地球观测模型通过高效前期训练和微调，成功实现地球观测领域多个任务的优化，证明了预训练模型在加速微调过程以及在性能上优于随机初始化权重的作用，并表明可显著减少可用标注数据的数量而不影响模型准确性。

    Oct, 2023

  • 融合空间知识的层次学习：地球影像中的洪水测绘应用

    提出了一种新颖的基于空间知识的分层学习（SKI-HL）框架，该框架采用多分辨率层次结构迭代地推断样本标签，并在具有不确定性感知的多实例学习中训练神经网络参数。实验证明，该模型在真实世界的洪水图像数据集上优于几种基准方法。

    Dec, 2023

  • 利用多光谱卫星影像和类别模糊指数改善深度主动学习在洪水淹没地图中的可解释性

    利用可解释的深度主动学习框架(IDAL-FIM)，通过多光谱卫星图像的类别模糊性来解释洪水淹没图绘制中的深度主动学习的操作行为和预测不确定性。

    Apr, 2024

  • 基于深度视觉的沿海洪水预测框架，应对气候变化及岸线适应

    在追求计算效率的过程中，提出了训练高保真、基于深度学习的沿海洪水预测模型的系统框架，通过与地质统计回归方法和传统机器学习方法进行性能验证，表明其对预测质量的显著提升，并提供了阿布扎比海岸的综合数据集，用于评估未来的沿海洪水预测模型。

    Jun, 2024

  • 评估与基准化地球观测和地理空间的人工智能模型

    基于基础模型对计算机视觉、地球观测和地理空间人工智能领域的问题进行联合解决，其对于有限的标记数据表现出更好的性能，并且在下游任务中具有标签高效的特点。

    Jun, 2024

  • BlessemFlood21: 用于人道主义援助支持的高分辨率地理参考数据集的洪水分析推进

    使用遥感图像进行快速情景分析以规划救生行动是解决洪水灾害的关键，但需要计算机视觉工具支持。本研究提出了BlessemFlood21数据集以促进洪水检测工具的研究发展，包括高分辨率的RGB-NIR图像和用于洪水检测的基准。

    Jul, 2024

  • 地理空间基础模型在图像分析中的应用：评估与提升NASA-IBM Prithvi的领域适应性

    本研究针对地理空间基础模型在图像分析中的适应性不足问题，评估了NASA-IBM发布的GFM Prithvi在多个基准数据集上的预测性能。本文提出了一系列新策略，如波段适配和多尺度特征生成，以增强Prithvi的领域适应能力，提升模型的整体表现，为未来的视觉基础模型开发提供了重要见解。

    Aug, 2024

  • 冲突区建筑损害评估：基于深度学习的地理空间亚米分辨率数据方法

    本研究解决了冲突区域高分辨率地理空间数据匮乏的问题，提出利用深度卷积神经网络（CNN）自动评估建筑损害的新方法。通过分析乌克兰马里乌波尔战区的前后冲突图像数据，我们首次展示了亚米分辨率影像在战斗zones的应用潜力，揭示了现有模型的转移性及其局限性，具有重要的人道主义意义。

    Oct, 2024