Jun, 2024

基于冰图的海冰分类的部分标签学习与焦点损失

PDF
TL;DR通过将海冰分类训练形式化为部分标签学习任务，并利用明确的置信度分数，将多标签和类别不平衡问题得到解决的一种新型 GeoAI 方法，用于通过训练卷积神经网络（CNN）来提高 Sentinel-1 双极化 SAR 图像中海冰的分类性能。相较于传统训练方法使用独热编码标签和分类交叉熵损失，本方法提高了分类准确度（从 87% 提升至 92%）和加权平均 F-1 得分（从 90% 提升至 93%），在六个海冰类别中的四个类别的 F-1 得分也有所改善。
sea icedeep learning-based classificationgeoai approachpartial label learningconvolutional neural network (cnn)
发现论文，激发创造
  • 海冰类型的区域级标签可产生像素级分割

    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

  • 交叉熵、Dice 和焦点损失在海冰类型分割中的比较

    使用卷积神经网络（CNN）模型预测海洋冰类型，评估三种不同的损失函数对其性能的影响，结果表明交叉熵在物理上更一致。

    Oct, 2023

  • 利用空洞卷积提升 Sentinel-1 图像中的海冰分割

    使用机器学习算法对海冰进行自动化定位和分割，通过使用带噪声的 Sentinel-1 SAR 影像，开发了高效、具有空间分辨率、维度保持能力，并且对噪声更加稳健的面向海冰映射的算法。

    Oct, 2023

  • 基于颜色分割和自动标注 Sentinel-2 图像的北极海冰分类：训练高效深度学习模型

    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

  • 极地海冰分类的并行工作流程：使用 Sentinel-2 图像的自动标注

    使用 Sentinel-2 图像，通过自动标记从 S2 图像中过滤掉薄云和阴影，利用分段和自动标记的方法，训练 U-Net 机器学习模型，在极地海冰的 Ross Sea 地区实现了 98.97% 的分类准确度。

    Mar, 2024

  • 利用轻量级神经网络集成进行海冰浓度的代理建模

    基于深度学习模型对特定水域海冰浓度的空间分布进行长期预测，实验结果表明相较于资源密集型的物理模型，该方法在某些时段具有相当甚至更优的预测效果。与 Kara Sea 的基于物理模型的预测系统 SEAS5 相比，我们实现了 20% 的改进。

    Dec, 2023

  • 使用部分标签学习深度卷积神经网络进行多标签分类

    该研究提出了一种使用部分标签进行多标签分类的方法，其中新的分类损失利用了每个示例已知标签的比例，并通过课程学习的策略预测遗漏标签。通过实验发现，该方法在 MS COCO、NUS-WIDE 和 Open Images 等三个大规模多标签数据集上取得了良好表现。

    Feb, 2019

  • MT-IceNet -- 北极海冰预测的空间和多时相深度学习模型

    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

  • 遥感图像的海冰提取：算法、数据集、应用和挑战

    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

  • 多任务深度卷积网络预测北冰洋海冰浓度和漂移

    通过多任务全卷积网络架构的层级信息共享 U-net（HIS-Unet），本研究提出了一种新颖的方法来预测北极海冰浓度（SIC）和海冰漂移（SID），它可以替代物理模型，提高海冰预测的性能。通过加权注意力模块（WAM）实现的信息共享，使得 HIS-Unet 在 SIC 和 SID 预测方面优于其他方法，并且在季节性海冰变化的情况下明显提升了预测效果。WAM 的权重值表明，在 SID 预测中，SIC 信息比 SID 信息更重要，而在 SIC 预测中，信息共享在季节性海冰边缘地区更活跃。

    Oct, 2023