Jan, 2024

多视角遥感数据的自适应融合用于最佳子区域作物产量预测

PDF
TL;DR利用多视角学习方法和多视图门控融合模型 (MVGF)，本研究预测不同作物和地区的农作物产量，数据源包括 Sentinel-2 卫星的多光谱光学图像和作物生长季节的气象数据，以及土壤特性和地形信息等静态特征，实验结果表明 MVGF 模型相较于传统模型在预测任务上具有更好的表现，达到了 0.68 的 R2 值。
crop yield predictionmulti-view learningsentinel-2 satellitesmulti-view gated fusionsub-field yield prediction
发现论文，激发创造
  • 全球遥感数据下作物分类的最佳多视角学习模型的研究

    通过多视图学习方法，研究了作物分类问题，探讨了不同融合策略和编码器结构对全球范围农田和作物类型分类任务的影响，并提供了一个技术框架，用于帮助研究者探索作物分类或相关任务。

    Mar, 2024

  • 多视角融合学习在作物分类中的比较评价

    通过对多个数据集进行比较，本研究评估了多种融合策略对农作物分类的影响，发现多视角融合方法能够超越单个视角和先前的融合方法，在选择融合方法时提出了初步的标准。

    Aug, 2023

  • 机器学习预测作物产量：基于田地和子田水平的输入模式和模型的广泛分析

    通过使用多个具有不同时空分辨率的输入模态处理作物产量预测问题，我们提出了一种简单而有效的早期融合方法。我们使用高分辨率作物产量图作为训练数据，通过亚区域的农作物和机器学习模型不受限地处理。我们使用 Sentinel-2 卫星图像作为主要输入模态，结合其他补充模态，包括天气、土壤和 DEM 数据。所提出的方法使用全球覆盖的输入模态，使得该框架在全球范围内可扩展。我们明确强调输入模态在作物产量预测中的重要性，并强调最佳组合的输入模态取决于地区、作物和所选择的模型。

    Aug, 2023

  • 通用植被指数在农业土地覆盖分割中的有效数据融合证据

    本文提出了一种新颖的数据融合方法，旨在从卫星图像中更好地区分农业土地覆盖，并介绍了如何将遥感领域的领域知识与深度神经网络相结合以提高模型性能。

    May, 2020

  • MMST-ViT：多模态时空视觉转换器的气候变化感知作物产量预测

    通过考虑短期气象变化和长期气候变化对作物的影响，基于多模态时空视觉变换器（MMST-ViT）开发了一个基于深度学习的解决方案，用于预测美国各县的作物产量，并展示其在三个性能指标上优于同类产品。

    Sep, 2023

  • 利用空中和地面双视图图像的证据融合进行可信遥感场景分类

    本研究使用证据深度学习模型对多角度遥感数据进行了分类，该模型可有效地计算每个角度数据的可信度，并据此进行决策级融合，从而提高分类结果的准确性。实验结果表明，该方法在公开数据集上取得了最佳效果。

    Jan, 2023

  • LiDAR 点云 3D 物体检测的端到端多视角融合

    本文提出了一种新颖的多视角融合算法 (MVF)，它能够从鸟瞰视角和透视视角有效地学习利用互补信息，其中采用了动态体素化方法。在 Waymo 开放数据集和 KITTI 数据集上的评估表明，MVF 模型显著提高了检测精度。

    Oct, 2019

  • 在多传感器地理空间基础模型中连接远程传感器

    msGFM 是一个多传感器地理空间基础模型，有效地汇集来自四个关键传感器模态的数据，适用于各种类型的传感器，包括遥感图像分类、分割、云去除和泛光等任务，为发展多传感器地理空间预训练模型提供指南。

    Apr, 2024

  • 基于 3D-GPR 的子基层病害检测的多视角融合与蒸馏

    通过利用来自三维地质雷达数据的多视角信息，我们引入了一种新的、针对基床病害检测任务的方法，同时构建了一个从原始三维地质雷达数据衍生的真实多视角图像数据集，从而提供了比 A 扫描和 B 扫描数据更丰富的空间信息，并减少了与 C 扫描数据相比的计算复杂性。随后，我们开发了一种新颖的 GPR-MVFD 框架，旨在最优化利用多视角地质雷达数据集，通过多视角蒸馏和基于注意力的融合，提取基床病害的显著特征。我们的框架在新的 GPR 基准测试中进行了广泛的实验，证明了其有效性和高效性，不仅超过了现有的 GPR 基线，还超过了多视角学习、多模态学习和知识蒸馏领域的最新方法。我们将发布构建的多视角地质雷达数据集，其中包含了专家标注的标签和所提出框架的源代码。

    Aug, 2023

  • 利用分层融合卫星、旋转和上下文数据提高作物分类性能

    提出了一种融合多模态信息的方法，用于改进作物类型分类的准确性和稳健性，并针对 740 万个农业地块发布了新的注释数据集。新方法在评估中表现更好，可用于跨领域零样本学习和从法国到荷兰的少样本设定的稳健性。

    May, 2023