使用纽约大学（NYU）的高性能计算集群 NYU Greene，在 MLCommons 的科学云掩膜基准测试中，报告了深度学习模型的性能基准测试结果：包括基准测试任务的描述、更新的代码以及在我们选定的超参数设置下，该基准测试的最佳模型。基准测试结果包括在 NYU 系统上实现的最高准确率以及训练和推理的平均耗时。我们的代码可在 GitHub 上找到，MLCommons 团队已知悉我们的进展并可能在未来的工作中使用我们开发的代码。

Mar, 2024

MLCommons 科学工作组提交了关于云掩膜基准测试的研究报告，其中包括对基准试验进行了早停机制的改进，并在 NYU HPC 上获得了最高的准确度和平均训练与推断时间。

Dec, 2023

对云的分割从遥感图像进行了七种切割和检测算法的基准分析，评估了其架构方法，并确定了最佳性能。评估了模型在使用少量光谱波段进行云图分割时的灵活性。使用 Sentinel-2 和 Landsat-8 作为数据集进行了实验验证。

Feb, 2024

通过在 Earth observation（EO）环境中使用机器学习（ML）方法，并提出一种新的合成数据集，该研究旨在改善遥感领域中云光学厚度（COT）估计的可靠性。

Nov, 2023

通过构建一个新的数据集，本文针对云遮挡导致的地球影像质量下降问题，提出了一种适用于不同区域、季节和云覆盖度变化的新型云去除模型，并在两个性能指标上进行了评估。

Sep, 2020

本研究提出一个基于 ERA5 档案的天气预报基准数据集，为了方便机器学习模型的使用进行了处理，并提出了简单明了的评估指标，旨在加速数据驱动的天气预报研究。

Feb, 2020

本文提出了一种名为 Enki 的无监督机器学习算法，该算法使用了 Vision Transformer 结合 Masked Autoencoding 来重构遮蔽像素，用以缓解云掩码对海表温度数据分析的影响。通过训练四种不同的 Enki 模型来识别和重构 LLC4320 SST 图像中的遮蔽像素，作者发现该方法具有很好的重构效果，其表现甚至超过了插值法，为未来应用提供了广阔的发展前景。

May, 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

本文回顾了使用卫星上的传感器和基于机器学习的方法研究尘暴现象的努力，并发现多光谱方法和机器学习的结合是视觉化和定量分析中最成功的。

Apr, 2024

本研究旨在利用可解释性方法和系统性实验探究在操作点云的深层模型中，如何应对由少量判别性输入变量与目标函数关联所导致的泛化能力下降，提出了 PointMask 方法，该方法通过最小化输入与潜在特征之间的互信息来屏蔽不相关变量，进而在与任意模型中结合使用时有助于预测分数大的区域的解释性，并证明该方法能够有效处理数据偏差。

Jul, 2020