[ad_1]
Los investigadores presentaron RingMo, un marco de modelado básico para mejorar la precisión de la interpretación de imágenes de sensores remotos.
Las imágenes de teledetección son esenciales en varios campos, como la clasificación y la detección de cambios. Hay algunas limitaciones como B. una brecha de dominio entre las escenas naturales y de teledetección y la escasa capacidad de generalización de los modelos de teledetección. Por lo tanto, los investigadores tienen la intención de implementar RingMo, un modelo fundamental de detección remota que puede mejorar los beneficios del aprendizaje autosupervisado generativo para imágenes de detección remota. Este modelo mejora la precisión de la interpretación de imágenes de teledetección según el Instituto de Investigación de Información Aeroespacial (AIR), Academia de Ciencias de China (CAS).
RingMo admite conjuntos de datos a gran escala creados mediante la recopilación de 2 millones de imágenes de detección remota de plataformas satelitales y aéreas, que abarcan múltiples escenas y objetos en todo el mundo. Este método de entrenamiento para el modelo básico de teledetección fue desarrollado para objetos densos y pequeños en escenas complejas de teledetección.
Los enfoques de aprendizaje profundo también se incorporaron para desarrollar de inmediato la interpretación de imágenes de teledetección. También se incluyeron modelos ImageNet previamente entrenados para procesar datos de detección remota para tareas específicas, pero estas implementaciones no produjeron el resultado deseado. RingMo es el primer modelo base generativo implementado con modelado de imágenes enmascaradas que se puede utilizar para datos de detección remota multimodales. Los investigadores prevén utilizar este modelo para la reconstrucción en 3D, la vivienda, el transporte y otras áreas.
Haga clic aquí para ver el trabajo de investigación publicado
[ad_2]