Apr, 2024

优化积云探测：一种基于 EfficientNet-b4 编码的深度学习方法

PDF
TL;DR这篇论文利用先进的深度学习方法，结合了高效的特征提取、校正对齐、软标签和伪标签技术，以提高对卫星图像中的对流层云追踪的准确性和效率，从而为可持续航空的目标做贡献。
contrail avoidanceenvironmental sustainabilitydeep-learning approachsatellite imageryaviation's environmental impact
发现论文，激发创造
  • 结合 UPerNet 和 ConvNeXt 进行凝结轨迹识别以减少全球变暖

    通过使用卫星图像中的语义分割技术，本研究致力于改进对飞机尾迹的检测模型，减少其对气候变化的影响，并取得了非常出色的结果，将其置于参与团队的前 5％，凸显了分割模型的创新性以及在卫星图像中改进飞机尾迹识别的潜力。

    Oct, 2023

  • OpenContrails: 基于 GOES-16 ABI 的 Contrail 探测基准测试

    本文提供一个人工标注的数据集用于开发和评估基于 GOES-16 Advanced Baseline Imager 数据的 contrail 检测模型，并提出并评估一个结合时间因素的 contrail 检测模型，这是开发自动 contrail 检测系统的必备工具，以减少航空对气候变化的影响。人工标注的数据集和 contrail 检测输出都公开在 Google Cloud 存储空间中。

    Apr, 2023

  • 在霍夫空间中通过增强的迁移学习和新的 SR 损失函数完成飞行轨迹分割

    通过增强迁移学习的创新模型，我们成功地使用较少数据准确地检测了飞行冰线，并通过将图像空间转化为霍夫空间的 SR Loss 提出了一种新的损失函数，为航空研究中基于机器学习的冰线检测开辟了新的途径，解决了大型手工标记数据集的缺失问题，并显著提升了冰线检测模型。

    Jul, 2023

  • 使用知识蒸馏压缩 nnU-Nets 进行机载云检测

    本研究基于 nnU-Nets 架构进行云检测，使用知识蒸馏方法压缩到更小的 U-Net 网络，实验结果在 Sentinel-2 和 Landsat-8 卫星图像上达到了 0.882 的 Jaccard 指数，尽管规模几乎缩小了 280 倍。

    Jun, 2023

  • Jet-Images -- 深度学习版本

    采用基于深度学习技术的机器学习算法识别高增强度 W 玻色子，该算法优于传统的物理学特征驱动算法，通过可视化训练过程，可以获得附加信息以提高性能，加深对逐渐深入了解喷注中的物理以及新粒子和新力的敏感性的物理学特征驱动工具和监督学习算法之间的相互作用的普遍性。

    Nov, 2015

  • Cloud-Net：一种适用于 Landsat 8 影像的端到端云检测算法

    本文提出了一种基于深度学习的算法，称为 Cloud-Net，用于在仅有少量谱带的卫星影像中探测云层，实验结果显示，该算法在 Jaccard Index 上的性能超过了现有算法的 8.7%。

    Jan, 2019

  • 基于无人机互联网的深度学习目标跟踪边缘计算卸载优化

    利用卷积神经网络的视觉跟踪能力配合移动边缘计算，提出了一种新的层次分布式计算框架，将有限的计算资源和能量预算分配到无人机和移动边缘服务器上，以达到更高的推断精度和更低的计算成本。

    Aug, 2020

  • 揭开潜力：多任务深度学习用于空间定量监测挥发性甲烷泄漏

    通过基于物理仿真的遥感影像监测方法，我们提出了一种新的基于深度学习的定量甲烷排放监测框架，该框架包括甲烷浓度反演、甲烷烟团分割和甲烷排放速率估计三个子任务，并引入多任务学习模型来提高准确性。

    Jan, 2024

  • GlobeNet：卷积神经网络用于遥感图像中的台风眼追踪

    本篇研究提出使用多层神经网络基于多通道卫星图像对复杂大气动态进行理解，为单个台风坐标预测任务进行线性回归并在东北半球获得了有趣的预测结果。

    Aug, 2017

  • 太空碎片：深度学习图像增强是否是解决方案的一部分？

    通过研究验证了深度神经网络在可见光谱单眼相机拍摄的太空图像中克服了限制和图像伪影，解决了模糊、曝光问题、对比度不足和噪声等问题，并证明其在太空相关图像的纠正方面具有潜力，值得进一步减少计算复杂性的研究。

    Aug, 2023