更多数据无出其右 - 地球观测深度学习数据集
本文综述了 400 多个公共数据集,包括土地利用 / 覆盖、变化 / 灾害监测、场景理解、农业、气候变化和天气预报。通过对数据集进行系统分析,我们基于其属性提出了评估标准,并发布了用于评估深度学习方法的新平台 EarthNets,从而弥合了遥感和机器学习社区之间的差距。
Oct, 2022
本文介绍了地球观测所面临的机器学习等技术对于从原始数据到可用信息转化的必要工具和方法,并探讨了这些发展的挑战及其影响,包括计算机视觉、机器学习、高级处理和计算、以知识为基础的人工智能、可解释的人工智能和因果推断、物理感知模型、以用户为中心的方法以及与大规模使用机器学习技术相关的伦理和社会问题的讨论。
May, 2023
深度学习在遥感数据分析等领域取得了巨大进展,但由于神经网络在解释性上的缺陷,对其缺乏可解释性和可解读性仍然存在批评。为解决这一问题,用于遥感图像分析的可解释人工智能技术近来得到了广泛的研究。本章根据突出的地球观测应用领域进行组织,介绍了可解释遥感影像分析领域的最新发展。
Nov, 2023
本研究利用地球观测数据、机器学习和大数据方法开发应用程序,致力于监测共同农业政策(CAP)、食品安全及智能耐荒农业等领域,在解决机器学习模型训练的注释数据不足以及推导的价值落实到实际决策之间的差距等问题上取得了一定的方法创新和研究进展。具体来说,通过数据立方体、分布式学习和数据语义化等技术,不仅实现了农作物类型和生长状态估计的预测,也为应对实际农业问题提供了因果解释等机器学习技术支撑。
Nov, 2022
利用深度学习方法对卫星图像时间序列数据进行环境、农业和其他地球观测变量的建模的最新方法进行了综述,为遥感专家提供了一个利用时间信息增强地球观测模型的资源。
Apr, 2024
通过集成扩散模型,我们提出了一种新的四阶段方法来改善数据扩增的多样性,通过使用元提示生成指令,运用通用视觉 - 语言模型生成丰富的标题,微调地球观测扩散模型,并迭代地进行数据扩增,从而提高地球观测影像的语义丰富性和多样性。
Jun, 2024
本文介绍了 AiTLAS 基准测试套件,它是用于评估地球观测中图像分类的最先进深度学习方法的开源基准测试套件。我们对 500 多种模型进行了全面比较分析,以 22 个不同大小和属性的数据集为基础,并将它们与各种多类别和多标签分类任务进行比较,找到了一个通用而有效的模型。
Jul, 2022
人工智能和地球观测技术的融合带来了前所未有的能力,特别是在环境监测、灾害响应和气候变化分析等全球性挑战中,人工智能对来自地球观测平台的数据分析具有重要影响。然而,快速整合人工智能需要仔细考虑其在这些领域中的应用所固有的责任维度。本文代表了在系统定义人工智能和地球观测交叉领域方面的开创性努力,重点关注负责任的人工智能实践。具体来说,我们从学术界和工业界的角度在地球观测领域确定了几个重要的方面:以社会公益为目标的人工智能和地球观测、减少不公平偏见、地球观测中的人工智能安全、地理隐私和隐私保护措施,以及基于道德原则指导人工智能使用。此外,本文还探讨了潜在的机遇和新兴趋势,为未来研究提供了有价值的见解。
May, 2024
本文探讨了地球科学、遥感和人工智能领域近年来趋近的发展情况,强调了这些交叉学科的研究方向和挑战,提出了人工智能在遥感和地球科学领域中的应用,以及年轻研究人员应该如何应对这些挑战,从而推动遥感和地球科学的发展。
Apr, 2021