几年来，深度学习方法已成功地应用于遥感问题。在这些方法中，基于CNN的模型在使用卫星或空中图像解决土地分类问题方面具有很高的精度。尽管这些模型的精度很高，但通常具有较大的内存要求。另一方面，希望拥有用于应用程序的小型型号，例如在无人机上实施的应用程序，并且记忆空间较低。不幸的是，小型CNN型号与其大型版本那样不提供高精度。在这项研究中，我们提出了一种新颖的方法，可以通过向其注入传统特征来提高CNN模型的准确性，尤其是尺寸较小的方法。为了测试所提出方法的有效性，我们将其应用于CNN模型Squeezenet，MobilenetV2，ShufflenetV2，VGG16和Resnet50V2，其大小为0.5 MB至528 MB。我们使用了样本平均值，灰度合作矩阵特征，HU矩，局部二进制图案，定向梯度的直方图和颜色不变性作为传统的注射特征。我们在EuroSat数据集上测试了提出的方法，以执行土地分类。我们的实验结果表明，所提出的方法显着提高了土地分类精度，尤其是应用于小型CNN模型时。
translated by 谷歌翻译
城市环境的可持续性是一个日益相关的问题。空气污染在环境的退化中发挥着关键作用，以及暴露于它的公民的健康。在本章中，我们提供了对模型空气污染的方法的审查，重点是机器学习方法的应用。事实上，已经证明了机器学习方法，以提高传统空气污染方法的准确性，同时限制了模型的开发成本。机器学习工具开辟了研究空气污染的新方法，例如流动动力学建模或遥感方法。
translated by 谷歌翻译
城市地区不仅是造成气候变化的最大贡献者之一，而且它们是人口众多的最脆弱的地区之一，他们将共同经历负面影响。在本文中，我们解决了卫星遥感成像和人工智能（AI）带来的一些机会，以自动衡量城市的气候适应。我们提出了一个结合AI和仿真的框架，该框架可能对从遥感图像中提取指标有用，并可能有助于对这些气候适应相关指标的未来状态进行预测性估计。当这样的模型变得更加强大并在现实生活中使用时，它们可能会帮助决策者和早期响应者选择最佳行动来维持社会，自然资源和生物多样性的福祉。我们强调了这是许多科学家的开放式和正在进行的研究领域，因此我们对数据驱动方法的挑战和局限性以及一般的预测估计模型提供了深入的讨论。
translated by 谷歌翻译
通过新的设计推动，允许规避光谱偏差，隐式神经表示（INRS）最近被出现为具有古典离散化表示的有希望的替代方案。尽管如此，尽管他们的实际成功，我们仍然缺乏inrs代表信号的正确理论表征。在这项工作中，我们的目标是填补这一差距，我们提出了一种在理论上分析inrs的新颖统一视角。利用谐波分析和深度学习理论的结果，我们表明大多数INR系列类似于结构化信号词典，其原子是初始映射频率集的整数谐波。该结构允许INR使用只有许多只能与深度线性增长的参数表达频率支持的信号。之后，我们探讨了初步结果关于经验神经切线内核（NTK）的近期结果的归纳偏见。具体地，我们表明NTK的特征功能可以被视为其内部产品与目标信号的内部产品确定其重建的最终性能。在这方面，我们揭示了Meta学习初始化具有类似于字典学习的NTK的重塑效果，构建字典原子作为在Meta训练期间看到的例子的组合。我们的业绩允许设计和调整小说INR架构，但对更广泛的深度学习理论界也可能感兴趣。
translated by 谷歌翻译