Jan, 2024

使用条件生成对抗网络模拟热带气旋的夜间可见卫星图像

PDF
TL;DR通过使用红外波段和太阳光方向参数作为输入，该研究提出了使用条件生成对抗网络（CGAN）模型生成高度精确的夜间可见反射率的方法，并通过 Visible/Infrared Imager Radiometer Suite (VIIRS) 的 Day/Night Band (DNB) 进行了模型验证。研究证明了该模型在监测夜间气象现象方面的可行性。
visible imagerytropical cyclonesconditional generative adversarial networks (cgan)infrared bandsnighttime monitoring
发现论文，激发创造
  • 处理时间异质性卫星数据实现实时热带气旋强度估计

    提出了一个使用生成对抗网络和卷积神经网络相结合的新颖框架，该模型利用所有卫星数据进行训练，只使用高频红外和水汽数据提供强度估计，并且可以将最大估计频率从 3 小时提高到不到 15 分钟。

    Oct, 2020

  • PCSGAN：感知循环合成生成对抗网络 用于热红外与可见光图像转换

    介绍一种新的基于感知损失的生成对抗神经网络 (PCSGAN) 用于近红外 / 热成像图像转化，其在多种评估指标上超越了现有的图像转换模型。

    Feb, 2020

  • 透过云层看清楚：使用 Prithvi 基础模型填补云间隙

    通过比较基础的 Vision Transformer (ViT) 模型与基准的条件生成对抗网络 (CGAN) 模型在时间序列的多光谱卫星图像上进行缺失值插补的性能，我们评估了插补准确性和语境保留，使用了结构相似性指数和绝对均值误差等定量评估指标以及定性的视觉分析。

    Apr, 2024

  • 夜晚更清晰：通过昼夜图像转换实现强健的夜间语义分割

    使用生成式对抗网络 (GANs) 方法，我们提出了一个改善在恶劣条件下的语义分割准确度的框架，其中包括将夜间图像转换为白天图像，使用 GANs 生成夜间语义分割数据集，并使用白天数据集中的模型对其进行训练。在实验中发现，“夜间图像比例适当” 是使得性能最为稳定的最佳选择。

    Aug, 2019

  • 使用对抗训练进行未配对的热到可见光谱转换

    提出了一种使用生成对抗网络的无监督学习方法，来实现热红外相机拍摄图像的可视化处理，相较于现有的监督学习模型，该模型在 KAIST-MS 数据集上表现更好，并且对新环境具有良好的泛化性能。

    Apr, 2019

  • 使用 CNN 从 SAR 图像生成高质量可见光图像

    本文提出了一种基于生成对抗网络和级联卷积神经网络的新方法，用于从合成孔径雷达图像生成高质量的可见光图像，实验表明该方法在去斑和图像上色方面比目前的深度学习方法表现更好。

    Feb, 2018

  • 卷积神经网络应用于天空图像，用于短期太阳辐射预测

    本文介绍了使用深度卷积神经网络预测太阳能辐射强度的初步结果，并探讨了训练算法的图像识别技术，和利用过去相同日期数据进行训练以提高短期预测技能的方法。

    May, 2020

  • 利用深度学习进行云空缺填补，改善草地监测

    利用深度学习方法，结合免云的光学观测和天气无关的合成孔径雷达数据，采用组合卷积神经网络 (CNN) - 循环神经网络 (RNN) 架构生成连续的归一化植被指数 (NDVI) 时间序列，该方法在连续观测序列中对事件检测任务的准确性进行了改进，并有效滤除由云观测引起的突变和噪声。

    Mar, 2024

  • 基于 GAN 的分层等级雨图像生成模型

    通过构建一个基于生成对抗网络的多层级雨图生成模型，实现了在各种天气条件下测试视觉感知算法性能所需的数据生成，该模型能够生成不同强度的轻雨、中雨和大雨图像，并经过优化和调整来改善模式崩溃问题，相比于两个基准模型，测试数据集上 RCCycleGAN 的峰值信噪比 (PSNR) 提高了 2.58 dB 和 0.74 dB，结构相似性指数 (SSIM) 分别提高了 18% 和 8%，并进行了消融实验以验证模型调优的有效性。

    Sep, 2023

  • IR2VI：无监督热成像转换增强夜间环境感应

    本文提出了一种基于生成对抗网络的红外 - 可见光图像翻译算法 IR2VI，利用其结构连接模块和 ROI 聚焦损失方法，将可见光和红外图像的特征相互整合，以达到提高夜视效果的目的，并通过实验表明 IR2VI 算法超越了基准方法的优越性。

    Jun, 2018