Jan, 2024

MT-HCCAR：基于多任务深度学习的云属性检索中的分层分类和注意力回归

PDF
TL;DR本论文提出了 MT-HCCAR 模型，通过多任务学习同时处理云掩蔽、云相分类和云光学厚度（COT）预测，并结合层次分类网络（HC）和分类辅助注意力回归网络（CAR），提高云标签和 COT 预测的精度和稳健性。通过 K 折交叉验证、一个标准误差规则和两个引入的性能评分，提出了一种综合模型选择方法，选择最优模型在 OCI、VIIRS 和 ABI 三个模拟卫星数据集上的实验结果表明 MT-HCCAR 模型优越性和广泛适用性。
cloud property retrievalmachine learningdeep learningmulti-task learningmodel selection
发现论文，激发创造
  • 基于注意力的学术资源文本级多标签分类

    本文提出了一种基于注意力机制的层次化多标签学术文本分类算法，该算法结合了文本、关键词和层次结构等特征，利用 word2vec 和 BiLSTM 来获取文本、关键词和层次结构的嵌入式和潜在向量表示，并使用分层注意机制来捕捉关键词、标签层次结构和文本词向量之间的关联，以生成特定于分层的文档嵌入向量取代 HMCN-F 中的原始文本嵌入。实验结果显示，该算法具有较好的效果。

    Mar, 2022

  • 采用分层多任务学习进行多个气候变量的空间投影

    提出了一种基于层次多任务学习框架（HMTL）的气候投影方法，该方法使用多任务学习公式实现特定气候变量的空间投影，并添加了组套索正则化以便在给定的空间位置上利用不同气候变量之间的关系。结果显示相比于其他方法，HMTL 方法可以更有效地实现气候变量的投影。

    Jan, 2017

  • 基于深度学习的不同传感器中高分辨率遥感图像云检测

    本文提出了一种名为多尺度卷积特征融合 (MSCFF) 的基于深度学习的云检测方法，使用对称编码器 - 解码器模块提取多尺度和高级别空间特征，然后设计了一种多尺度特征融合模块，将不同尺度的特征合并，并获得了比传统基于规则的云检测方法和最先进的深度学习模型更高的精度，尤其在覆盖明亮表面区域上。

    Oct, 2018

  • CLiSA：一种使用正交交叉注意力的卫星云图层分割的层次混合 Transformer 模型

    通过引入混合变压器架构的深度学习模型，并验证其利普希茨稳定性理论和经验，本文提出了一种名为 CLiSA（Cloud segmentation via Lipschitz Stable Attention network）的有效云层遮罩生成方法，实验证明该方法在多个卫星图像数据集中表现出优越性能，并从多光谱（MX）图像中提取云层的准确性更好，同时展示了对不同体系结构和目标函数的不同割离研究。

    Nov, 2023

  • FastCAR: 基于任务综合的快速分类与回归多任务学习，用于对象类的连续属性建模

    FastCAR 是一种新颖的多任务学习方法，用于分类和回归任务，在任务异质性和微妙相关性下处理对象分类和连续属性变量回归，通过标签转换方法和单任务回归网络架构，在两个任务的联合学习中超越传统的 MTL 模型，达到 99.54% 的分类精度和 2.3% 的回归平均绝对百分比误差，并在 4536 张 224x224 像素的图像上使用 Advanced Steel Property 数据集进行实验证明 FastCAR 实现了降低延迟和提高时间效率。

    Mar, 2024

  • UnCRtainTS：光学卫星时间序列云去除的不确定性量化

    本文介绍了一种名为 UnCRtainTS 的多时空云去除方法，它是基于一种新颖的注意力机制和一种多元不确定性预测公式的组合。在两个公开的云去除数据集上，它取得了最新的图像重建技术实时性能，并展示了这种方法如何通过精准控制重建质量来提高不确定性预测的准确性。

    Apr, 2023

  • 使用可转移深度模型进行高分辨率遥感影像土地覆盖分类

    本文提出了一种利用深度神经网络对高分辨率遥感图像进行无监督地物分类的方案，通过未标记遥感图像进行伪标注和样本选择来提高模型的转移性，并通过细化预先训练好的模型，组合分块分类和分层分割实现像素级地物分类。

    Jul, 2018

  • CloudAttention：用于 3D 点云学习的高效多尺度注意力方案

    使用集合转换器在分层框架中对点云进行形状分类和分割，实现了状态 - of-the-art 的性能，并可用于处理大规模稀疏数据。

    Jul, 2022

  • 学习发现多类别注意力区域用于多标签图像识别

    本文提出了一种简单而高效的双流框架方法，使用全局图像到局部区域的方法识别多类别目标，并提出了多类关注区域模块（MCAR）来解决关注区域数量过多，生成复杂问题，这种方法仅使用图像语义就可以创建新的最佳结果，并在不同因素下进行了广泛的展示。

    Jul, 2020

  • 增强的多级特征用于非常高分辨率遥感场景分类

    本文介绍了一种利用增强型 VHR 注意力模块、压缩空间金字塔和全局平均池化等技术的深度学习方法，对于经常出现的类别干扰问题，本文方法能够提供更加稳健的分类性能，可以用于非常高分辨率遥感场景分类任务。实验证明，该方法在两个常用的 VHR 遥感数据集上能够达到很好的分类效果。

    May, 2023