在深度学习研究中，自学学习（SSL）引起了极大的关注，引起了计算机视觉和遥感社区的兴趣。尽管计算机视觉取得了很大的成功，但SSL在地球观测领域的大部分潜力仍然锁定。在本文中，我们对在遥感的背景下为计算机视觉的SSL概念和最新发展提供了介绍，并回顾了SSL中的概念和最新发展。此外，我们在流行的遥感数据集上提供了现代SSL算法的初步基准，从而验证了SSL在遥感中的潜力，并提供了有关数据增强的扩展研究。最后，我们确定了SSL未来研究的有希望的方向的地球观察（SSL4EO），以铺平了两个领域的富有成效的相互作用。
translated by 谷歌翻译
我们介绍并评估了一种弱监督的方法，以基于远程感知的数据和接近零的人类相互作用来量化城市森林的时空分布。成功训练语义细分的机器学习模型通常取决于高质量标签的可用性。我们评估高分辨率，三维点云数据（LIDAR）作为嘈杂标签的来源的好处，以便训练模型以在正吞原中的定位。作为概念证明，我们感觉到桑迪飓风对纽约市康尼岛（NYC）的城市森林的影响，并将其引用到纽约布鲁克林的影响较小的城市空间。
translated by 谷歌翻译
自欺欺人的学习（SSL）由于能够学习任务不足的表示而没有人类注释的能力，因此对遥感和地球观察引起了极大的兴趣。尽管大多数现有的SSL在遥感中起作用，利用Convnet骨架并专注于单个模态，但我们探索了视觉变压器（VIT）的潜在，用于关节SAR-OCTICATION学习。基于Dino，一种最先进的SSL算法，它从输入图像的两个增强视图中提取知识，我们通过将所有通道串联到统一输入来结合SAR和光学图像。随后，我们随机掩盖了一种模式作为数据增强策略的通道。在训练期间，该模型将被喂养仅光学，仅SAR-SAR-SAR-SAR-OFICATION图像对学习内部和模式内表示。使用BigeArthnet-MM数据集的实验结果证明了VIT骨架和拟议的多模式SSL算法Dino-MM的好处。
translated by 谷歌翻译
We developed a simulator to quantify the effect of changes in environmental parameters on plant growth in precision farming. Our approach combines the processing of plant images with deep convolutional neural networks (CNN), growth curve modeling, and machine learning. As a result, our system is able to predict growth rates based on environmental variables, which opens the door for the development of versatile reinforcement learning agents.
translated by 谷歌翻译
ICECUBE是一种用于检测1 GEV和1 PEV之间大气和天体中微子的光学传感器的立方公斤阵列，该阵列已部署1.45 km至2.45 km的南极的冰盖表面以下1.45 km至2.45 km。来自ICE探测器的事件的分类和重建在ICeCube数据分析中起着核心作用。重建和分类事件是一个挑战，这是由于探测器的几何形状，不均匀的散射和冰中光的吸收，并且低于100 GEV的光，每个事件产生的信号光子数量相对较少。为了应对这一挑战，可以将ICECUBE事件表示为点云图形，并将图形神经网络（GNN）作为分类和重建方法。 GNN能够将中微子事件与宇宙射线背景区分开，对不同的中微子事件类型进行分类，并重建沉积的能量，方向和相互作用顶点。基于仿真，我们提供了1-100 GEV能量范围的比较与当前ICECUBE分析中使用的当前最新最大似然技术，包括已知系统不确定性的影响。对于中微子事件分类，与当前的IceCube方法相比，GNN以固定的假阳性速率（FPR）提高了信号效率的18％。另外，GNN在固定信号效率下将FPR的降低超过8（低于半百分比）。对于能源，方向和相互作用顶点的重建，与当前最大似然技术相比，分辨率平均提高了13％-20％。当在GPU上运行时，GNN能够以几乎是2.7 kHz的中位数ICECUBE触发速率的速率处理ICECUBE事件，这打开了在在线搜索瞬态事件中使用低能量中微子的可能性。
translated by 谷歌翻译
在二阶不确定的贝叶斯网络中，条件概率仅在分布中已知，即概率上的概率。Delta方法已应用于扩展精确的一阶推理方法，以通过从贝叶斯网络得出的总和产物网络传播均值和方差，从而表征了认知不确定性或模型本身的不确定性。另外，已经证明了Polytrees的二阶信仰传播，但没有针对一般的定向无环形结构。在这项工作中，我们将循环信念传播扩展到二阶贝叶斯网络的设置，从而产生二阶循环信念传播（SOLBP）。对于二阶贝叶斯网络，SOLBP生成了与Sum-Propoduct网络生成的网络一致的推论，同时更加有效且可扩展。
translated by 谷歌翻译
当历史数据受到限制时，与贝叶斯网络节点相关的条件概率不确定，并且可以在经验上进行估计。二阶估计方法为估计概率和量化这些估计的不确定性提供了一个框架。我们将这些案例称为Uncer Tain或二阶贝叶斯网络。当完成此类数据时，即每个实例化都观察到所有可变值，已知有条件的概率是dirichlet分布的。本文通过使他们能够学习参数（即条件概率），通过不完整的数据来学习不确定的贝叶斯网络的当前最新方法。我们广泛评估各种方法，通过各种查询的置信界的所需和经验得出的强度来学习参数的后验。
translated by 谷歌翻译
3D光学相干断层扫描图像中视网膜流体的准确分割是诊断和个性化眼部疾病的关键。尽管深度学习在这项任务上取得了成功，但受过训练的监督模型通常会因不像标记示例的图像而失败，例如对于使用不同设备获取的图像。我们在此提出了一个新型的半监督学习框架，用于从新未标记的域分割体积图像。我们共同使用受监督和对比度学习，还引入了一种对比配对方案，该方案利用3D中附近切片之间的相似性。此外，我们建议通过渠道聚合作为对比特征图投影的常规空间释放聚合的替代方法。我们评估了从（标记的）源域对（未标记的）目标域的域适应方法，每个方法都包含具有不同采集设备的图像。在目标域中，我们的方法获得了比SIMCLR（最先进的对比框架）高13.8％的骰子系数，并导致结果可与该领域中有监督的训练的上限相当。在源域中，我们的模型还通过成功利用来自许多未标记的图像的信息，将结果提高了5.4％。
translated by 谷歌翻译
The recent increase in public and academic interest in preserving biodiversity has led to the growth of the field of conservation technology. This field involves designing and constructing tools that utilize technology to aid in the conservation of wildlife. In this article, we will use case studies to demonstrate the importance of designing conservation tools with human-wildlife interaction in mind and provide a framework for creating successful tools. These case studies include a range of complexities, from simple cat collars to machine learning and game theory methodologies. Our goal is to introduce and inform current and future researchers in the field of conservation technology and provide references for educating the next generation of conservation technologists. Conservation technology not only has the potential to benefit biodiversity but also has broader impacts on fields such as sustainability and environmental protection. By using innovative technologies to address conservation challenges, we can find more effective and efficient solutions to protect and preserve our planet's resources.
translated by 谷歌翻译
We present the interpretable meta neural ordinary differential equation (iMODE) method to rapidly learn generalizable (i.e., not parameter-specific) dynamics from trajectories of multiple dynamical systems that vary in their physical parameters. The iMODE method learns meta-knowledge, the functional variations of the force field of dynamical system instances without knowing the physical parameters, by adopting a bi-level optimization framework: an outer level capturing the common force field form among studied dynamical system instances and an inner level adapting to individual system instances. A priori physical knowledge can be conveniently embedded in the neural network architecture as inductive bias, such as conservative force field and Euclidean symmetry. With the learned meta-knowledge, iMODE can model an unseen system within seconds, and inversely reveal knowledge on the physical parameters of a system, or as a Neural Gauge to "measure" the physical parameters of an unseen system with observed trajectories. We test the validity of the iMODE method on bistable, double pendulum, Van der Pol, Slinky, and reaction-diffusion systems.
translated by 谷歌翻译