地球观测基础模型的不确定性与可推广性
本研究针对遥感任务的基础模型研究进行了探讨,提出了一种包括六项分类任务和六项分割任务的基准测试以及可靠的评估方法,并报告了二十种基线模型的结果,旨在推动地球监测领域的模型进展。
Jun, 2023
地球科学基础模型通过整合大量跨学科数据模拟和理解地球系统动态,以数据为中心的人工智能范例从结构化和非结构化数据中发现见解,灵活的任务规格、多样的输入和输出以及多模态的知识表示使得全面分析成为可能,但在验证和验证、规模、可解释性、知识表示和社会偏见等方面仍存在挑战,提高模型一体化、分辨率、准确性和公平性的跨学科团队合作是关键,尽管当前存在限制,地球科学基础模型通过探索场景和量化不确定性向气候变化、自然灾害和可持续性等紧迫问题提供了关键见解,其不断向集成化的数据驱动建模演化具有改变范式的潜力。
Sep, 2023
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
基于神经可塑性的多模态地球观测数据的适应性单一框架——Dynamic One-For-All(DOFA)模型提供了更准确、高效和统一的地球观测分析方法。
Mar, 2024
ORBIT是一种先进的视觉转换模型,具有1130亿个参数,通过创新的张量数据正交并行技术实现扩展。在Frontier超级计算机上进行的性能扩展测试表明,ORBIT实现了230到707 PFLOPS的性能,并且在24,576个AMD GPU上保持了78%到96%的扩展效率。这些突破为基于AI的气候建模带来了新的进展,并展示了显著提高地球系统可预测性的前景。
Apr, 2024
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
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
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。
Aug, 2024
本研究解决了基础模型在不同地理位置的泛化能力不足的问题,特别是在农业领域面临的迁移学习挑战。通过比较几种流行的基础模型,本研究发现专门为Sentinel-2设计的预训练权重在面临有限样本时表现优越,显示出在数据稀缺的地区应用的潜力。这项研究为改进作物分类方法提供了有效的见解,促进了开发中国家精准农业的发展。
Sep, 2024