Apr, 2024

基于堆叠自编码器和聚类的遥感地质绘图框架

PDF
TL;DR此研究提出了一种利用堆叠自动编码器进行降维和 K 均值聚类来处理遥感数据的无监督机器学习框架，通过使用 Mutawintji 地区的 Landsat-8、ASTER 和 Sentinel-2 数据集进行地质制图的评估，结果显示该框架能够产生准确可解释的地质图，并且堆叠自动编码器相较于其他方法具有更好的准确性，并且生成的地质图与先前的地质知识相符同时提供了新的地质结构见解。
发现论文，激发创造
  • 大规模掩码自编码减少合成孔径雷达数据的标签要求

    利用遥感卫星监测和缓解人为气候变化的影响在关键的干预和政策决策方面有着重要作用。合成孔径雷达 (SAR) 提供了一种强大的光学数据替代方案，通过自监督预训练方法在预测植被覆盖和土地分类关键任务上减少了标记数据需求，从而大大推进了气候变化监测的发展。

    Oct, 2023

  • 增强型自监督聚类学习：应用于土地覆盖地图制作

    通过聚类为自监督学习的前提任务，提出了一种用于土地覆盖映射的方法，通过所得聚类结构进行主动采样，提高映射准确性。

    Aug, 2021

  • 利用空间变异自编码器融合气候数据产品

    该研究提出了一种可识别和可解释的自编码器，利用贝叶斯统计框架对多个气候数据产品进行融合和组合，以捕捉有用的空间模式，并通过对数据中的模式施加约束，在学习中创建了可解释的一致性。通过在高山地区结合多个降水产品的信息，证明了自编码器的实用性。

    Mar, 2024

  • 遥感图像无监督深度特征提取分类

    介绍单层和深度卷积网络用于遥感数据分析的应用，使用贪婪层次无监督预训练和高效的无监督特征学习算法提取有稀疏特征，结果表明深度架构比单层架构的分类性能更好。

    Nov, 2015

  • 用于高内容筛选数据降维的深度自编码器

    提出使用堆叠去噪自编码器进行高内容筛选的降维处理，证明其优于 PCA、LLE、Kernel PCA 和 Isomap 的性能，并可以用于识别感兴趣的表型和富集的亚群。

    Jan, 2015

  • 自监督遮蔽数字高程模型编码用于低资源下游任务

    利用自我监督学习方法，通过预训练的遮蔽自动编码器在 Digital Elevation Models 上提取建筑物和道路分割，有效利用有限的标注数据，为地表变化频繁的任务提供数据高效的学习器。

    Sep, 2023

  • 遥感联合多模态自监督预训练：甲烷源分类应用

    本文针对当前深度学习方法在计算机视觉和遥感专业任务中应用普及的情况，讨论了解决办法。结合地理位置信息，提出利用不标注数据进行自我监督预训练，探讨了联合嵌入方法在多种遥感图像模态下的应用，最终在甲烷源分类任务上获得良好的性能。

    Jun, 2023

  • 通过自编码器和随机森林相似性提升监督可视化的样本外扩展

    通过结合随机森林模型和自编码器的功能学习能力，我们为基于随机森林的监督降维方法 RF-PHATE 提供了一种新的样本外扩展方法，并通过定量评估不同自编码器结构，发现了用于嵌入扩展问题的网络结构，进一步地，通过利用基于邻近性的原型，我们在不降低扩展质量的情况下实现了 40% 的训练时间的减少。我们的方法不需要样本外样本的标签信息，因此作为半监督方法，并且仅使用 10% 的训练数据也可以获得一致的质量。

    Jun, 2024

  • 使用 3D 卷积自编码器对高光谱图像进行无监督分割

    本文提出一种全新的无监督式深度学习算法，采用 3D 卷积自编码器与聚类方法相结合的方式，实现高精密度的高光谱图像分割，并作了多方面实验验证。

    Jul, 2019

  • 用于脑 MRI 非监督异常分割的尺度空间自编码器

    使用拉普拉斯金字塔对健康脑 MRI 的不同频带进行压缩和重建来提高重构保真度，实现对大、小脑病变的定位和聚合，并且表现出优异的异常分割效果。

    Jun, 2020