关键词 · 相关资讯与研究
沿着“SAR-TS-BERT”继续探索，共 0 条内容。
提出物理引导的BERT式自监督预训练框架，融合极化特征做SAR时序作物分类。
该预印本将BERT式自监督预训练与极化特征结合用于SAR时序作物分类，在爱沙尼亚与美国测试集总体精度分别为96.78%与87.29%，但尚未经同行评审，跨区域泛化能力仍需验证。
针对胡麻倒伏区域识别难题，研究构建改进YOLOv11n-seg模型。改进后的模型在精确度和平均精度均值上分别达到92.6%和95.2%，较原始YOLOv11n-seg模型分别提升3.7个百分点和2.1个百分点。模型参数量仅为1.73 M，计算量为8.0 GFLOPs，模型体积仅为3.8 MB，显示出较好的轻量化优势。该方法兼顾精度与轻量化，为智能化胡麻倒伏监测与实际田间设备部署提供了技术基础。
arXiv 8-11 上线论文提出首个仅使用 SAR 强度图像的农业应用自监督学习管道(SAR2Agri),作者:Moti Rattan Gupta、Anupam Sobti。通过改进的掩码+课程学习时间前置任务,从 SAR 数据中捕获物候特征。在 SICKLE 基准上,最终模型在作物类型制图上达到 84.9% IoU,优于光学基线 15.3 个百分点、优于现有 SAR 基线 2.2 个百分点,展示了 SAR 强度编码器对农业监测预训练的有效性。[预印本]
提出双分支多模态尺度交互Transformer，用少量标注实现HSI-SAR联合地物分类。
提出RAST-Net，用注意力自监督对比深度学习实现SAR图像实时去斑。
基于Transformer及变体融合多源卫星与地下水数据，将SMAP土壤湿度降尺度至1km日尺度。
提出SFNL-Former网络，通过空间-频率分离和长程建模提升降水预报精度。
提出AerialStamp方法，从影像视觉线索与Sentinel-2时序估计航拍正射影像的拍摄日期。
