Oct, 2023

SolarFormer: 面向太阳能光伏数据特征加工的多尺度 Transformer

PDF
TL;DR全球气候变化加剧，将转向可持续能源的必要性日益突出。本文介绍了一种用于航拍图像中太阳能电池板分割的 SolarFormer，并通过多尺度 Transformer 编码器和自注意力 Transformer 解码器解决了诸多复杂性，改进了太阳能电池板定位。通过在不同 GSD 的多个数据集上进行广泛实验，我们严谨地评估了 SolarFormer 模型，结果表明其在全球可持续能源倡议中提供了改进的太阳能电池板分割性能。
climate changesustainable energyphotovoltaic energysolar panel segmentationenergy policy
发现论文，激发创造
  • S3Former：自监督高分辨率 Transformer 用于太阳能光伏建模

    随着气候变化的影响不断升级，全球转向可持续能源的必要性日益显现。我們引入了 S3Former，旨在通过遥感影像分割太阳能光伏板，并提供关键的尺寸和位置信息，用于分析这类装置对电网的影响。

    May, 2024

  • SolNet: 全球光伏发电功率预测的开源深度学习模型

    提出 SolNet: 一种新颖的、通用的、多变量的太阳能发电预报模型，通过使用来自 PVGIS 的丰富合成数据进行迁移学习，然后在观测数据上进行微调，解决了太阳能预测中数据匮乏的挑战，并通过荷兰、澳大利亚和比利时的实际生产数据展示了其在预测性能上的优势。

    May, 2024

  • 跨变量线性集成增强型光伏发电功率预测变压器

    提出了 PV-Client (Cross-variable Linear Integrated ENhanced Transformer) 用于光伏发电功率预测，采用增强 Transformer 模块捕获不同特征之间的复杂相互作用，使用线性模块学习光伏功率的趋势信息，并整合交叉变量注意力以捕获光伏功率与天气因素之间的依赖关系。实验结果表明，PV-Client 在光伏发电功率预测方面表现卓越。

    Jun, 2024

  • GeoFormer：基于视觉和序列变换的温室气体监测方法

    通过结合视觉转换器模块和高效的时间序列转换器模块，GeoFormer 模型在预测地表二氧化氮（NO2）浓度方面取得了高准确度（MAE 5.65），证明了使用卫星数据进行增强温室气体排放洞察力的有效性，对于推进全球气候变化监测和排放调控工作具有重要意义。

    Feb, 2024

  • DUFormer：航拍图像中电力线路分割的一种新型架构

    该论文提出了一种用于航空图像中的电力线检测的语义分割算法 DUFormer，该算法采用具有强归纳偏差的卷积神经网络，以及一个重量级令牌编码器，负责重叠特征再挖掘和标记化，结果显示该算法在公开可用的 TTPLA 数据集上的电力线分割任务中达到了最先进水平的表现。

    Apr, 2023

  • TreeFormer：一个基于半监督 Transformer 框架的单幅高分辨率图像树木计数方法

    本文提出了一种半监督的基于 Transformer 框架的 TreeFormer 方法，通过采用金字塔表示模块、上下文关注的特征融合和树密度回归模块来建立多尺度特征表示，进而通过图像解码器实现对树的数量统计和密度估计，降低了树的标注成本，通过在训练过程中使用未标注的图像和局部树密度的连贯性损失和局部树计数排名损失，使用 Tree counter 令牌规范网络可以计算标注和未标注图像的全局树计数，在 Jiangsu、Yosemite 和 KCL-London 数据集上进行实验，结果表明该方法超越了当前半监督方法的最新水平，并且使用相同数量的标注图像超越了全监督方法。

    Jul, 2023

  • AerialFormer：针对航拍图像分割的多分辨率 Transformer

    本文提出了 AerialFormer 方法，该方法融合 Transformers 和轻量级 MD-CNNs，并应用于航空影像分割领域。在 iSAID、LoveDA 和 Potsdam 三个数据集上进行了广泛的实验研究，结果表明该方法比之前的最先进方法表现更卓越。

    Jun, 2023

  • 太阳辐照预测变压器

    本文提出了一种基于 Transformer 的短期太阳辐射预测模型，通过对连续的天空图像进行特征编码，并将其输入 Transformer 解码器，预测与未来未见天空图像相关的辐照值，同时捕捉天空图像之间的长程依赖关系，可实现对所有天空图像数据集在 15 分钟内的辐射预测精度提高至 21.45%，优于智能持久性模型。

    May, 2023

  • PlaceFormer：基于多尺度图像块选择和融合的基于 Transformer 的视觉地点识别

    PlaceFormer 是一种基于 Transformer 的视觉地点识别方法，它利用来自 Transformer 的 patch tokens 创建全局图像描述符，并通过几何验证选择与任务相关区域相对应的补丁，生成跨不同补丁尺寸的相似度分数，最终用于重新排列初始检索到的图像。在基准数据集上进行的广泛实验表明，PlaceFormer 在准确性和计算效率方面优于几种最先进的方法，且所需时间和内存较少。

    Jan, 2024

  • HiFormer: 使用 Transformer 实现的分层多尺度表示，用于医学图像分割

    本文提出了一种新的方法 HiFormer，它通过使用 Swin Transformer 模块和基于 CNN 的编码器设计了两种多尺度特征表示来有效地跨越 CNN 和 Transformer 进行医学图像分割。在编码器解码器结构的跳跃连接中，我们提出了 Double-Level Fusion（DLF）模块，以确保从两个上述表示中获得的全局和局部特征的细粒度融合。在各种医学图像分割数据集上的广泛实验表明，HiFormer 在计算复杂度、定量和定性结果方面优于其他基于 CNN、Transformer 和混合方法。

    Jul, 2022