Landsat 8
PulseAugur coverage of Landsat 8 — every cluster mentioning Landsat 8 across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
Kolmogorov-Arnold Networks 在卫星陆地分类中显示出潜力
研究人员评估了 Kolmogorov-Arnold Networks (KANs) 在使用多光谱卫星图像进行陆地分类方面的有效性。在一项研究中，研究人员将 KANs 与随机森林和多层感知器模型在加拿大艾伯塔省的 Landsat 8 数据上进行了比较，结果显示 KANs 的准确性与随机森林相当，并且优于 MLPs。值得注意的是，KANs 在可训练参数少得多的情况下实现了这一性能，并提供了更高的可解释性。
-
人工智能和遥感技术追踪达卡快速城市化和环境变化
一项新近发表在arXiv上的研究详细介绍了如何利用遥感和机器学习技术分析2019年至2024年间孟加拉国达卡地区的土地利用和植被变化。该研究采用了卫星图像以及决策树、K近邻和随机森林等算法来追踪土地覆盖的变化。研究结果显示，城市建成区显著增加（59.5%），而植被（-8.46%）和水体（-7.77%）则有所减少，凸显了快速城市化对环境的影响。该研究强调了这些技术工具在可持续城市规划和政策制定方面的实用性。
-
新AI模型推动3D形状补全和深度估计发展
研究人员推出了几款新的3D形状补全和深度估计模型。大型深度补全模型（LDCM）使用Transformer从稀疏观测生成密集深度图，性能优于现有方法。I2PRef提供了一种图像驱动的点云补全方法，从单个RGB图像重建完整的点云。DinoComplete利用来自DINO特征和状态空间模型的蒸馏语义先验，实现高效鲁棒的3D形状补全，在参数更少的情况下显示出更高的质量。此外，ESSC-RM是一个即插即用框架，可精炼现有的语义场景补全模型以提高预测性能。
-
新的基础模型将高光谱图像与其他地球观测数据融合
研究人员开发了SpectralEarth-FM，一个旨在处理和融合高光谱图像与其他地球观测数据（如多光谱、雷达和温度读数）的新基础模型。该模型采用分层Transformer架构，能够处理不同的光谱维度，并集成了一个跨传感器融合模块。为了训练SpectralEarth-FM，我们精心策划了一个名为SpectralEarth-MM的大型数据集，其中包含来自多个卫星传感器的40TB以上的共定位数据，从而在下游任务上取得了最先进的成果。