Aug, 2024

地理空间基础模型在图像分析中的应用：评估与提升NASA-IBM Prithvi的领域适应性

HTML
PDF
TL;DR本研究针对地理空间基础模型在图像分析中的适应性不足问题，评估了NASA-IBM发布的GFM Prithvi在多个基准数据集上的预测性能。本文提出了一系列新策略，如波段适配和多尺度特征生成，以增强Prithvi的领域适应能力，提升模型的整体表现，为未来的视觉基础模型开发提供了重要见解。
发现论文，激发创造
  • 遥感图像亿级基础模型

    本文研究了模型参数数量增加对远程遥感领域中基础模型在旋转物体检测和语义分割等下游任务性能的影响，并通过实验验证了模型参数数量的增加可以提升模型性能和数据效率，进而提出了一种有效的基于视觉变换器进行扩展和微调的远程遥感领域的方法。

    Apr, 2023

  • 基础模型在地理空间人工智能中的机遇与挑战

    通过在多个地理空间子领域进行测试，发现在某些文本模态的地理任务中，基于任务不可知的大型语言模型可以在零样本或少样本学习设置中胜过基于任务特定的全监督模型，但是在其他涉及多种数据模态的地理任务上，现有的基础模型仍然不如基于任务特定的模型表现。因此，通过处理不同的地理数据模态，建议可能性使用能够通过地理对齐来推理各种类型的地理数据的多模态基础模型来应对地理人工智能挑战的多模态特征。

    Apr, 2023

  • 评估IBM和NASA的地理空间基础模型在洪涝淹没区划中的应用

    评估IBM-NASA的Prithvi模型在洪水淹没区域的地理空间分析任务中的性能，并与其他卷积神经网络和视觉变换器架构进行比较，结果显示了Prithvi模型在未见过的区域中分割淹没区域的出色可迁移性，同时建议在多尺度表示学习、高级图像分析任务的端到端流程和输入数据波段的灵活性方面进一步改进。

    Sep, 2023

  • 通用地理空间人工智能的基础模型

    基于深度学习的Prithvi地球观测模型通过高效前期训练和微调，成功实现地球观测领域多个任务的优化，证明了预训练模型在加速微调过程以及在性能上优于随机初始化权重的作用，并表明可显著减少可用标注数据的数量而不影响模型准确性。

    Oct, 2023

  • 利用地理空间基础模型的多光谱遥感图像检索

    使用地理空间基础模型Prithvi进行遥感图像检索，在多光谱卫星数据上取得了出色的性能，提出了三种压缩方法，能够在保持浮点数嵌入精度的同时实现32倍的压缩比，而且与更短哈希码的检索速度相匹配。

    Mar, 2024

  • 在前沿上预训练十亿级地理空间基础模型

    在预训练基于互联网规模无标签数据的基础模型(Foundation Models，FMs)中，研究增至十亿级参数规模的FMs和高性能计算(HPC)训练，以应用于地理空间图像应用中，取得了较小规模模型的显著准确率提升。

    Apr, 2024

  • 基础模型的有效时机：利用多光谱图像进行像素级分类的适用性研究

    基础模型在遥感任务中的适用性取决于自监督学习任务与实际下游任务的一致性，而传统机器学习模型在某些场景下表现得更好，尤其是在纹理不适用于分类的任务中。

    Apr, 2024

  • 评估与基准化地球观测和地理空间的人工智能模型

    基于基础模型对计算机视觉、地球观测和地理空间人工智能领域的问题进行联合解决，其对于有限的标记数据表现出更好的性能，并且在下游任务中具有标签高效的特点。

    Jun, 2024

  • 遥感中的人工智能基础模型：一项综述

    本研究针对遥感领域中人工智能基础模型的应用进行了全面综述，填补了现有文献在2021年6月至2024年6月之间发布的模型分析中的空白。论文提出了新的见解，特别强调自监督学习等预训练方法对提升模型性能和稳健性的关键作用，以及为遥感任务（如场景分类和目标检测）带来的显著进展和未来研究方向。

    Aug, 2024

  • 跨领域基础模型适应：开创地球物理数据分析的计算机视觉模型

    本研究针对地球科学在缺乏训练数据集和高计算成本方面的挑战，提出了一种将计算机视觉领域的基础模型（FMs）适应于地球科学的工作流程。通过对现有计算机视觉FMs的微调，显著降低了开发成本并提高了准确性，实验结果显示该方法在处理和解释地球科学数据方面具有广泛的应用潜力和切实效果。

    Aug, 2024