Oct, 2023

利用空洞卷积提升 Sentinel-1 图像中的海冰分割

PDF
TL;DR使用机器学习算法对海冰进行自动化定位和分割，通过使用带噪声的 Sentinel-1 SAR 影像，开发了高效、具有空间分辨率、维度保持能力，并且对噪声更加稳健的面向海冰映射的算法。
machine learningsea ice mappingsentinel-1 synthetic aperture radarsegmentationmulticlass ice type classification
发现论文，激发创造
  • 使用卷积变换网络从 SAR 数据中分割海冰

    本文提出了一种基于 SAR 卫星图像的混合卷积变换器网络的海冰分割新方法，优于传统卷积网络，在保持良好性能的同时比纯变换器模型高效，该方法对于海冰参数的自动化监测非常重要。

    Jun, 2023

  • 利用同时多光谱和合成孔径雷达图像进行海冰检测

    该研究提出了一种新的工具 ViSual_IceD，它使用并行编码器级别，将多光谱图像和合成孔径雷达 (SAR) 图像进行融合和连接，以实现极地区域可靠准确的海冰覆盖检测。

    Jan, 2024

  • 基于冰图的海冰分类的部分标签学习与焦点损失

    通过将海冰分类训练形式化为部分标签学习任务，并利用明确的置信度分数，将多标签和类别不平衡问题得到解决的一种新型 GeoAI 方法，用于通过训练卷积神经网络（CNN）来提高 Sentinel-1 双极化 SAR 图像中海冰的分类性能。相较于传统训练方法使用独热编码标签和分类交叉熵损失，本方法提高了分类准确度（从 87% 提升至 92%）和加权平均 F-1 得分（从 90% 提升至 93%），在六个海冰类别中的四个类别的 F-1 得分也有所改善。

    Jun, 2024

  • 基于颜色分割和自动标注 Sentinel-2 图像的北极海冰分类：训练高效深度学习模型

    该研究旨在使用 S2 图像开发出一种健壮和有效的系统，对极地海冰进行分类，解决极地海冰覆盖面积的消融问题，研究团队采用基于合适确定的颜色阈值的方法高精度地分割和自动标记 S2 图像，并采用这些自动标记的数据进行训练，得出 90.18% 的分类准确率。

    Mar, 2023

  • 极地海冰分类的并行工作流程：使用 Sentinel-2 图像的自动标注

    使用 Sentinel-2 图像，通过自动标记从 S2 图像中过滤掉薄云和阴影，利用分段和自动标记的方法，训练 U-Net 机器学习模型，在极地海冰的 Ross Sea 地区实现了 98.97% 的分类准确度。

    Mar, 2024

  • 海冰类型的区域级标签可产生像素级分割

    利用低分辨率区域标签，我们的弱监督学习方法在海冰分类中取得了优异的像素级分类性能，通过在训练中引入区域损失表示来衡量预测结果和冰图导出的海冰类型分布之间的差异。借助 AI4Arctic 海冰挑战数据集，我们的方法在映射分辨率和类别精度方面超过了完全监督的 U-Net 基准和 AutoIce 挑战的最佳解决方案，标志着自动化操作的海冰制图方面的重大进展。

    May, 2024

  • MT-IceNet -- 北极海冰预测的空间和多时相深度学习模型

    基于深度学习模型及统计分析方法，我们提出了 MT-IceNet，一种预测北极海冰浓度的模型，通过处理多时空输入流来生成未来时间步的空间地图，表现出有希望的预测性能。

    Aug, 2023

  • 利用 U-Net 模型进行卫星图像分割以进行土地覆盖分类

    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

  • 遥感图像的海冰提取：算法、数据集、应用和挑战

    该研究深入探讨了基于深度学习的算法、数据集、应用以及未来的发展趋势，对海冰提取问题进行了综合回顾。

    Jun, 2023

  • 交叉熵、Dice 和焦点损失在海冰类型分割中的比较

    使用卷积神经网络（CNN）模型预测海洋冰类型，评估三种不同的损失函数对其性能的影响，结果表明交叉熵在物理上更一致。

    Oct, 2023