Dec, 2023

融合空间知识的层次学习：地球影像中的洪水测绘应用

PDF
TL;DR提出了一种新颖的基于空间知识的分层学习（SKI-HL）框架，该框架采用多分辨率层次结构迭代地推断样本标签，并在具有不确定性感知的多实例学习中训练神经网络参数。实验证明，该模型在真实世界的洪水图像数据集上优于几种基准方法。
deep learningearth imagerylabel inferenceneuro-symbolic modelsspatial uncertainty
发现论文，激发创造
  • 基于地理知识的遥感图像表征学习

    该研究提出了一种基于地理知识驱动的遥感图像表示学习方法，该方法提高了网络性能，减少了对注释数据的需求，证明了该方法可以作为神经网络预训练的一种新典范。

    Jul, 2021

  • SHINE-Mapping: 使用稀疏分层隐式神经表示的大规模 3D 地图绘制

    本文提出了一种使用基于 Octree 的结构并采用神经网络处理隐式特征进行 LiDAR 测量的大规模三维重建方法，并利用二进制交叉熵损失来优化局部特征。在此基础上，设计出一种具有正则化性能的增量式映射系统，以解决连续学习中遗忘问题。实验结果显示，本方法相较其他先进技术具有更高的精确性、完成度和内存效率。

    Oct, 2022

  • 高度和语义的航空影像多任务学习

    本文研究了利用神经网络框架综合分析航空或卫星图像，并展示了其在多任务学习和模型预测不确定性方面的优势。

    Nov, 2019

  • 基于深度神经网络的建筑轮廓分割多任务学习

    本文研究了高分辨率遥感卫星图像中像素级预测方法的挑战，提出了一种新的级联多任务损失来保留语义分割边界。结果表明，不需要额外的后处理步骤，我们的方法在 Inria 航空图像标注数据集上优于现有技术 8.3％。

    Sep, 2017

  • 利用多光谱卫星影像和类别模糊指数改善深度主动学习在洪水淹没地图中的可解释性

    利用可解释的深度主动学习框架 (IDAL-FIM)，通过多光谱卫星图像的类别模糊性来解释洪水淹没图绘制中的深度主动学习的操作行为和预测不确定性。

    Apr, 2024

  • 自洽的深度几何学习用于异构多源空间点数据预测

    多源空间点数据预测的创新性框架将各种数据整合起来，不依赖地面真实标签，并通过引入 “可信度分数” 和地理位置感知图神经网络等技术有效地解决评估数据质量和建模空间关系的挑战，其在真实和合成数据集上的严格测试结果表明其优越性能。

    Jun, 2024

  • 学习空间和时间的层次结构：多房间迷宫环境中的层次化主动推理导航

    介绍了一种层次感知模型，结合认知地图、空间感知和位置运动，通过基于像素的观察推断出环境结构，并能在迷你格环境中进行高效探索和目标导向搜索。

    Sep, 2023

  • 上下文相关：利用时空元数据进行遥感图像的半监督学习

    利用时空元信息提高伪标签的质量以及最终模型的性能，我们提出了一种名为时空半监督学习（Spatiotemporal SSL）的框架，通过在训练集上仅将元信息应用于教师模型以改善伪标签的质量，使学生网络在测试时对时空变化具有不变性，并引入了一种新的蒸馏机制以增强教师和学生之间的知识传递。

    Apr, 2024

  • 基于图像时间序列的作物分类映射：使用多尺度标签层次结构的深度学习

    本文旨在通过分类卫星图像时间序列来绘制农作物的地图，开发了一种利用专家知识的农作物分类方法，并将三级标签层次结构编码至卷积循环神经网络中，该神经网络能够同时学习罕见珍贵类别在更宏观层次上的特征表示，提高了细粒度分类的性能，并能够根据置信度和农业实践需求进行输出调整。在新的公共数据集 ZueriCrop 上的实验表明，相比于其他基于不平衡类分布的方法，该分层式卷积循环神经网络模型的分类性能至少提高了 9.9 个百分点。

    Feb, 2021

  • 基于知识注入的对比学习用于城市图像的社会经济预测

    提出一种基于知识图谱 (KG) 以及知识注入对比学习 (KnowCL) 模型，能够有效地促进城市图像的表征学习和预测，并结合卫星和街景影像进行可持续发展目标的预测，相较基线模型预测精度有超过 30％的提高。

    Feb, 2023