- PMAA: прогрессивная многомасштабная модель автокодировщика внимания для высокопроизводительного удаления облаков из мультивременных спутниковых изображений (arXiv)
Автор: Сюэчао Цзоу, Кай Ли, Цзюньлян Син, Пин Тао, Ячао Цуй.
Аннотация: Анализ спутниковых изображений играет жизненно важную роль в дистанционном зондировании, но потеря информации, вызванная облачным покровом, серьезно препятствует его применению. В этом исследовании представлена высокопроизводительная архитектура удаления облаков под названием Progressive Multi-scale Attention Autoencoder (PMAA), которая одновременно использует глобальную и локальную информацию. Он в основном состоит из магистрали обнаружения облаков и модуля удаления облаков. Магистраль обнаружения облачности использует облачные маски для усиления облачных областей, чтобы вызвать модуль удаления облачности. Модуль удаления облаков в основном состоит из нового многомасштабного модуля внимания (MAM) и модуля локального взаимодействия (LIM). PMAA устанавливает долгосрочную зависимость многомасштабных признаков с помощью MAM и модулирует реконструкцию мелких деталей с помощью LIM, позволяя одновременно представлять мелкие и крупнозернистые элементы на одном уровне. Благодаря разнообразному и многомасштабному представлению признаков PMAA последовательно превосходит предыдущую современную модель CTGAN в наборах данных Sen2_MTC_Old и Sen2_MTC_New. Кроме того, PMAA имеет значительное преимущество в эффективности, всего 0,5% и 14,6% параметров и вычислительной сложности CTGAN соответственно. Эти обширные результаты подчеркивают потенциал PMAA как облегченной сети удаления облаков, подходящей для развертывания на периферийных устройствах. Мы выпустим код и обученные модели, чтобы облегчить изучение в этом направлении
2. Сегментация урожая агавы и классификация зрелости с помощью стратегий глубокого обучения, ориентированных на данные, с использованием спутниковых изображений очень высокого разрешения (arXiv)
Автор: Авраам Санчес, Рауль Нанкларес, Александр Кеведо, Улисес Пелахио, Алехандра Агилар, Габриэла Кальварио, Э. Улисес Мойя-Санчес
Аннотация: Ответственная и устойчивая цепочка производства текилы из агавы имеет основополагающее значение для социального, экологического и экономического развития регионов Мексики, где произрастают агавы. Поэтому актуально разработать новые инструменты для крупномасштабного автоматического мониторинга региона агавы. В этой работе мы представляем сегментацию урожая Agave tequilana Weber azul и классификацию зрелости с использованием спутниковых изображений очень высокого разрешения, которые могут быть полезны для этой задачи. Чтобы достичь этого, мы решаем реальные проблемы глубокого обучения в очень специфическом контексте сегментации агавы, такой как отсутствие данных, метки низкого качества, сильно несбалансированные данные и низкая производительность модели. Предлагаемые стратегии выходят за рамки увеличения и передачи данных, сочетая активное обучение и создание синтетических изображений под наблюдением человека. В результате производительность сегментации, оцениваемая с помощью значения Intersection over Union (IoU), увеличилась с 0,72 до 0,90 в тестовом наборе. Мы также предлагаем метод классификации зрелости урожая агавы с точностью 95%. Благодаря полученным точным моделям прогнозирование производства агавы может быть доступно для крупных регионов. Кроме того, некоторые проблемы со спросом и предложением, такие как чрезмерные запасы агавы или вырубка лесов, могут быть обнаружены на ранней стадии.
