Sep, 2024

基础模型在作物类型映射中的泛化能力研究

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 利用农作物集计统计数据，在新区域中改善基于卫星的地图的两种转换

    该研究论文介绍了一种利用农作物统计数据来纠正卫星遥感影像分类器的方法，以提高精度；该方法可用于任何类型的分类器，作者已在Occitanie，法国和Kenya西部省份使用Linear Discriminant Analysis（LDA）成功应用。

    Sep, 2021

  • 运用迁移学习实现全球农作物地图

    本文使用卫星数据和深度学习方法，建立一个基于转移学习的农作物类型检测模型，成功地在韩国、法国、西班牙和荷兰等地区对水稻和大麦进行了检测。

    Nov, 2022

  • 利用分层融合卫星、旋转和上下文数据提高作物分类性能

    提出了一种融合多模态信息的方法，用于改进作物类型分类的准确性和稳健性，并针对 740 万个农业地块发布了新的注释数据集。新方法在评估中表现更好，可用于跨领域零样本学习和从法国到荷兰的少样本设定的稳健性。

    May, 2023

  • 加拿大农田数据集：用于农业多时相深度学习分类的新地表覆盖数据集

    通过遥感监测土地覆盖对于研究环境变化以及通过作物产量预测确保全球粮食安全至关重要。该研究建立了一个加拿大农田的时间序列数据集，包含了来自10个作物类别的高分辨率图像，并提供用于预测作物类别的模型和源代码，可用于加速土地覆盖的准确连续监测，以促进健壮的农业-环境模型的创建。

    May, 2023

  • 应用全球土地覆盖产品作为视觉基础模型的农田识别提示

    通过视觉基础模型，我们引入了“Pretrain+Prompting”范例来解读农田场景，并基于可获得的全球土地覆盖产品设计了自动提示（APT）方法。该方法实现了从通用场景到专用农田场景的精细适应过程，而无需引入额外的标签成本。我们的实验证明，该方法在遥感领域的两个亚米级农田数据集中优于传统的监督学习和微调方法。

    Oct, 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

  • 在数据稀缺环境下使用深度学习进行大规模农田绘制：尼日利亚案例研究

    利用机器学习技术结合全球农田数据集和手工标注数据，对尼日利亚进行了10米分辨率的新农田图生成，通过评估和比较不同模型及全球土地覆盖地图的性能，发现现有的WorldCover地图在测试集上表现最佳。

    Dec, 2023

  • 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

  • 增强泛化策略以实现跨年度农田映射的卷积神经网络训练

    本研究解决了用于农业监测的年度地图创建中数据标签依赖性的问题，尤其是在地区和年份之间的领域转变中。通过提出一种综合方法，结合基于区域的损失函数和不同的增强技术，显著提高了模型在多个年份的预测准确性。这一方法的应用有望改善大范围农田的多年度作物映射质量。

    Aug, 2024

  • 增强泛化策略以实现使用历史样本训练的卷积神经网络的跨年度耕地映射

    本研究解决了有效的深度学习模型在农田映射中对年度标签依赖的问题，限制了农业监测的能力。作者提出了一种综合的方法，通过使用区域基础损失函数和不同的数据增强技术，显著提升了模型在多个年份的预测准确性。此工作实现了优质的多年度作物地图生成，具有重要的农业应用潜力。

    Aug, 2024