May, 2024

深度特征高斯过程用于单场景气溶胶光学厚度重建

PDF
TL;DR利用深度表示学习和高斯过程，我们提出了一种用于单场景 AOD 重建的深度特征高斯过程（DFGP）方法，通过优化空间和特征域中观测和缺失 AOD 之间的相关性，在真实云图案的两个 AOD 数据集上，该方法的性能优于深度卷积神经网络和随机森林，相比深度卷积神经网络和随机森林，R$^2$ 分别提高了超过 0.35 和 0.06。
remote sensing dataaerosol optical depth (aod)deep feature gaussian processes (dfgp)spatial and feature domainsaod reconstruction
发现论文，激发创造
  • 利用深度集合森林技术，对伊朗德黑兰的 MODIS MAIAC AOD 数据进行 PM2.5 高分辨率制图

    用于估计 PM2.5 浓度的深度集成森林方法在提供高分辨率 PM2.5 地图的建模方面表现出较好的性能，相较于深度学习方法和经典的数据驱动方法，其能够给出更准确的 PM2.5 估计值。

    Feb, 2024

  • DSGNN: 一种用于区域空气质量估计的双视图超网格感知图神经网络

    提出了一种双视图超网格感知图神经网络（DSGNN）用于区域空气质量估计，通过对远程网格区域的空间依赖性进行建模，实现了在无空气质量监测站的情况下估计目标区域的空气质量。

    Apr, 2024

  • 使用基于模型驱动的深度学习架构从少量扩散加权影像中恢复高质量的 FOD

    通过使用深度学习进行纤维定向分布的重建，可以从减少的扩散加权图像中产生准确的纤维定向分布，从而减少总体成像时间，并提出了用于保证深度学习网络中间输出与输入扩散加权图像一致性的球形反卷积网络模型驱动的纤维定向分布重建架构。

    Jul, 2023

  • 基于深度可分离卷积神经网络的 TROPOMI NO2 柱状体时空估计

    通过引入时间维度和深度卷积层，本文使用部分卷积神经网络模型提高遥感图像的数据填补效果，该模型在使用空气质量模型模拟的数据集上表现出更好的一致性和准确性。

    Apr, 2022

  • 深度跨领域建筑物提取，用于倾斜航空图像的选择性深度估计

    使用卷积神经网络进行实时建筑物提取，提出了一种允许从倾斜航空影像中进行多视图深度估计的算法，结合 Faster R-CNN，可以从高空俯瞰图像中选择性地重建建筑物。

    Apr, 2018

  • 使用扩散模型检测异常地球观测图像

    利用扩散模型的重构误差作为无监督的遥感图像越界检测器，引入了一种新型重构得分器 ODEED，并在类地理偏移和近越界设置下，在 SpaceNet 8 上进行了实验验证。结果表明，ODEED 得分器在洪水图像检测等更具挑战性的近越界场景中明显优于其他基于扩散和判别的基准，为利用生成模型进行遥感异常检测铺平了道路。

    Apr, 2024

  • IDF-CR: 迭代扩散过程用于遥感图像中的分区云去除

    深度学习技术在光学遥感图像的云去除中展示了其有效性。本文提出了一种迭代扩散过程用于云去除，通过像素空间和潜变空间两个阶段模型实现了云去除的分步处理，提高了清晰度并优化了细节恢复。

    Mar, 2024

  • 利用深度学习进行云空缺填补，改善草地监测

    利用深度学习方法，结合免云的光学观测和天气无关的合成孔径雷达数据，采用组合卷积神经网络 (CNN) - 循环神经网络 (RNN) 架构生成连续的归一化植被指数 (NDVI) 时间序列，该方法在连续观测序列中对事件检测任务的准确性进行了改进，并有效滤除由云观测引起的突变和噪声。

    Mar, 2024

  • 卷积核深高斯过程

    本论文针对深度高斯过程在计算机视觉领域应用时存在的挑战（例如卷积结构），提出了一种基于卷积核的卷积 DGP 模型（CDGP）来解决该问题，并在多类图像分类任务中表现出优越性能。

    Jun, 2018

  • 用于光学遥感图像显著目标检测的密集注意力流体网络

    本文介绍了一种基于 Dense Attention Fluid network 的 Remote Sensing Images (RSIs) 显著性检测方法，提出了新的 Global Context-aware Attention (GCA) 和 cascaded pyramid attention 模块，并构建了包含 2,000 个图像的新型 RSI 数据集进行实验证明了该方法的明显优越性。

    Nov, 2020