准确的全球冰川绘图对于理解气候变化的影响至关重要，但冰川的多样性、难以分类的残渣和大数据处理提出了挑战。本论文提出了一种卷积 - 变换器的深度学习模型 (GlaViTU) 和五种策略，利用开放卫星图像进行多时期的全球冰川绘图。评估空间、时间和跨传感器的泛化性表明，我们最佳策略在大多数情况下，在先前未观测到的图像上实现了交并比大于 0.85，对于残渣丰富的地区如高山亚洲，这个值下降到了大于 0.75，而对于以干净冰为主的地区，这个值增加到了大于 0.90。此外，添加合成孔径雷达数据，即回波和干涉相干度，提高了所有有可用数据的地区的准确性。报告了冰川扩展的校准置信度，使预测更加可靠和可解释。我们还发布了覆盖全球 9% 的基准数据集。我们的结果支持自动化多时期和全球冰川绘图的努力。

Jan, 2024

本文提出了一种基于 SAR 卫星图像的混合卷积变换器网络的海冰分割新方法，优于传统卷积网络，在保持良好性能的同时比纯变换器模型高效，该方法对于海冰参数的自动化监测非常重要。

Jun, 2023

该研究深入探讨了基于深度学习的算法、数据集、应用以及未来的发展趋势，对海冰提取问题进行了综合回顾。

Jun, 2023

通过一个高效的 Generative Adversarial Transfomer (GATrans)，采用深度学习方法和全局变换网络（GTNet）来实现高精度语义分割，在保持极高效率的同时，通过多层特征提取和结构相似性损失函数优化，获得了 90.17% 的平均 F1 得分和 91.92% 的总体准确率。

Oct, 2023

利用低分辨率区域标签，我们的弱监督学习方法在海冰分类中取得了优异的像素级分类性能，通过在训练中引入区域损失表示来衡量预测结果和冰图导出的海冰类型分布之间的差异。借助 AI4Arctic 海冰挑战数据集，我们的方法在映射分辨率和类别精度方面超过了完全监督的 U-Net 基准和 AutoIce 挑战的最佳解决方案，标志着自动化操作的海冰制图方面的重大进展。

May, 2024

该研究旨在使用 S2 图像开发出一种健壮和有效的系统，对极地海冰进行分类，解决极地海冰覆盖面积的消融问题，研究团队采用基于合适确定的颜色阈值的方法高精度地分割和自动标记 S2 图像，并采用这些自动标记的数据进行训练，得出 90.18% 的分类准确率。

Mar, 2023

本文提出了 TransLocator，这是一种基于双分支 Transformer 网络的方法，使用单一 RGB 图像和其语义分割图像进行地理定位和场景识别的多任务学习，其在四个基准数据集上均获得了比现有方法高的准确度。

Apr, 2022

基于深度学习模型及统计分析方法，我们提出了 MT-IceNet，一种预测北极海冰浓度的模型，通过处理多时空输入流来生成未来时间步的空间地图，表现出有希望的预测性能。

Aug, 2023

本文报道了一种名为 LGTEUN 的可解释深度学习网络来提高低分辨率多光谱图像。该网络基于迭代算法，并使用 Local-Global Transformer 模块来同时建模局部和全局依赖关系，从而提高图像的分辨率和降噪水平。实验结果表明，LGTEUN 相对于现有的方法具有更高的效果和效率。

Apr, 2023

本研究提出了一种新的全局局部 Transformer 投票方案，以提供更多信息提示，引导模型更多地关注潜在的种子点，从而促进高质量的 3D 提案的生成，并实验表明该方法在 3D 单对象跟踪任务中具有最先进的性能。

Nov, 2022