文献分享
文章平均质量分 86
分享专业高分的文献进行分析解读
农业遥感学子一枚
这个作者很懒,什么都没留下…
展开
-
Challenges and Opportunities of Multimodality and Data Fusion in Remote Sensing 遥感中多模态和数据融合的挑战和机遇
未来可能会融合更多的信息源,如地理信息系统(GIS)数据、地面信息、机会传感器数据或地理标记的推文等,数据融合算法将更加应用驱动,需要一个通用的框架来处理不完美、缺失和冲突的数据,并且结果验证是一个重要问题。Classification(分类):过去的许多竞赛专注于数据融合以提供更高的分类精度,以 2013 年竞赛为例,提交的方案中利用高光谱和 LiDAR 数据的分类性能通常较高,新兴趋势包括使用非线性流形学习进行特征提取、采用深度学习方法等,但深度学习在多传感器遥感数据中的应用非常有限。原创 2024-09-13 11:24:47 · 741 阅读 · 0 评论 -
SpectralGPT: Spectral Remote Sensing Foundation Model 首个专为光谱遥感数据定制的基础模型SpectralGPT
结构:包括用于处理光谱数据的3D掩码、学习光谱视觉表示的编码器和用于多目标重建的解码器,采用渐进式训练方式,使用来自 Sentinel - 2卫星的超过一百万张光谱图像进行训练,创建了 Base、Large 和 Huge 三个不同模型迭代,分别包含约 1 亿、3 亿和 6 亿参数。针对光谱数据的基础模型研究相对较少,如SatMAE在利用预训练变换器时,通过分组相邻光谱带来处理光谱卫星图像,这破坏了光谱连续性,导致对三维空间-光谱耦合特征和光谱序列数据的捕获不理想,且受预训练样本数量和有效训练策略的限制。原创 2024-09-12 11:37:25 · 446 阅读 · 0 评论