SAR 影像上的深度学习:迁移学习与随机初始化权重的比较
该研究探索了使用深度学习方法和分布对齐的神经网络嵌入可以提高卫星影像分析的准确性,尤其是在少量样本预测中,显著地超越了多种基线方法,其关键词有卫星图像分析,深度学习,迁移学习,Sentinel 和地区气候分区。
Dec, 2022
使用深度学习模型进行森林变量预测具有越来越大的流行度,本研究通过模型转换方法将预训练的深度学习模型应用于目标区域,使用地球观测数据进行森林结构预测,结果表明相较于传统基准方法,利用迁移学习的 SeUNet 模型具有更高的准确性。
Aug, 2023
通过研究大规模预训练图像生成模型在非可见光领域的应用,特别以合成孔径雷达(SAR)数据为案例研究,提出了一种 2 阶段低秩自适应方法(2LoRA)和改良版本原型 LoRA(pLoRA),以生成 SAR 数据并在 SAR 分类和分割模型的训练过程中取得显著的改进效果。
Nov, 2023
利用遥感卫星监测和缓解人为气候变化的影响在关键的干预和政策决策方面有着重要作用。合成孔径雷达 (SAR) 提供了一种强大的光学数据替代方案,通过自监督预训练方法在预测植被覆盖和土地分类关键任务上减少了标记数据需求,从而大大推进了气候变化监测的发展。
Oct, 2023
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。
Oct, 2023
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
通过使用非标记的合成孔径雷达(SAR)数据,预先训练自监督学习模型(ViT-based DINO 模型)并对其进行微调以预测高分辨率土地覆盖地图,本研究重点探究了 Self-Distillation with No Labels(DINO)算法的特征以及其在合成孔径雷达成像领域的应用,通过对 ViT 背骨网络生成的注意力图与模型的标记嵌入空间进行比较和评估,我们观察到与从头开始训练相比,预训练模型性能略有提升,并讨论了自监督学习在遥感和土地覆盖分割中的局限性和机会,除了微小的性能提高外,我们展示了 ViT 的注意力图在遥感领域具有重要的内在价值,并可能为其他算法提供有用的输入。因此,我们的工作为地球观测提供了更大更好的自监督学习模型的基础。
Oct, 2023
本文提出了一种使用合成孔径雷达图像进行可微分渲染的方法,结合了 3D 计算机图形学和神经渲染,并在高保真模拟 SAR 数据上演示了从有限 SAR 图像重建 3D 对象的逆图形问题。
Apr, 2022