卫星数据是机器学习中的独特模式
本文综合研究了使用卫星图像和机器学习了解可持续发展领域期间所面对的挑战,以及如何将二者有机结合,细致测量各类相关数据,从而量化模型表现,并探讨该研究领域的未来发展。
Sep, 2020
现代机器学习在地理空间领域取得了巨大的进展,而数据中心学习方法的应用对于提高精度、泛化能力和实际应用产生了积极作用。本文提出了一种自动化数据中心学习方法的定义和精确分类,总结了地理空间领域的相关研究,并将其归类为不同的组别,通过具体的实现例子展示了如何利用数据中心机器学习方法对地理空间数据进行操作。
Dec, 2023
电子数据和机器学习的地理空间建模已成为环境研究中广受欢迎的趋势,通过准确的地理空间预测有助于生态监测、质量评估、政策制定和行动计划等方面的有效资源管理。然而,对于进一步的研究和实践,需要解决许多问题,以获得精确可复现的结果。研究综述了地理空间建模中常见的问题和挑战,并提供了克服这些挑战的技术和流行编程工具,还讨论了地理空间人工智能在环境应用中的前景。
Nov, 2023
使用卫星图像与机器学习相结合,可以远程估计数据贫乏地区的社会经济和环境条件,而这种方法可能会受到资源需求的限制。该研究表明,一种单一的卫星图像编码可以概括各种预测任务的要求,如林地覆盖、房价和道路长度。该方法不仅能够在成本低的情况下达到与深度神经网络相同的准确率,而且同时具有全球扩展性、标签分辨率和不确定性特性,因此实现成果共享。
Oct, 2020
远程感知中,我们关注的是对一些地理位置建模的各种方式。我们提出了一种名为 GeoBind 的深度学习模型,可以从地理位置的卫星图像中推断出文本、图像和音频等多个模态。我们的方法不需要包含所有上述模态的单个复杂数据集,而只需要多个卫星图像配对数据。与传统的单模态模型不同,我们的结果表明,GeoBind 是多功能的,并且能够针对给定的卫星图像输入推理出多个模态。
Apr, 2024
利用卫星集群上的半监督学习,以温度和有限的电源预算为基础,对神经网络进行基准测试,我们展示了在最新卫星硬件上进行机器学习模型的训练,以节省通信和操作成本,同时评估了采用分散和联邦学习方法的任务场景,并在一天的任务时间内,实现了高精度(欧洲卫星 RGB 数据集约为 91%)的收敛。
May, 2023
本文研究了如何处理在应用深度学习技术识别危机管理时,数据高度不平衡的情况,探讨了多种技术并提出了一套综合方法,旨在提高少数类别分类的性能和模型可靠性。
Apr, 2020
通过使用新颖的深度学习模型,本研究探索了使用条件机制创建合成卫星图像的挑战,通过真实性和最先进的度量方法评估了结果,并研究了合成数据在遥感中缓解数据不足的潜力,讨论了合成卫星图像在监测和验证方面的意义。
Apr, 2024