- Карты высоты купола с субметровым разрешением с использованием самоконтролируемого обучения и преобразователя зрения, обученного на Aerial и GEDI Lidar (arXiv)
Автор: Джейми Толан, Хунг-и Ян, Бен Носаржевски, Гийом Куэрон, Хюи Во, Джон Брандт, Жюстин Споре, Саянтан Маджумдар, Даниэль Хазиза, Джанаки Вамараджу, Тео Мутаканни, Пётр Бояновски, Трейси Джонс, Брайан Уайт, Тобиас Тике, Камилль Купри
Аннотация: Картирование структуры растительности имеет решающее значение для понимания глобального углеродного цикла и мониторинга природных подходов к адаптации к изменению климата и смягчению его последствий. Повторные измерения этих данных позволяют наблюдать за обезлесением или деградацией существующих лесов, естественным восстановлением лесов и внедрением устойчивых методов ведения сельского хозяйства, таких как агролесоводство. Оценки высоты древесного полога и проецируемой площади кроны с высоким пространственным разрешением также важны для мониторинга потоков углерода и оценки землепользования, основанного на деревьях, поскольку структуры леса могут быть весьма пространственно неоднородными, особенно в системах агролесоводства. Спутниковые изображения очень высокого разрешения (расстояние до образца земли менее одного метра (1 м)) позволяют извлекать информацию на уровне дерева, позволяя осуществлять мониторинг в очень больших масштабах. В этом документе представлена первая карта высот крон высокого разрешения, созданная одновременно для нескольких субнациональных юрисдикций. В частности, мы производим карты высоты полога для штатов Калифорния и Сан-Паулу с субметровым разрешением, что является значительным улучшением по сравнению с десятиметровым (10 м) разрешением предыдущих мировых карт высоты полога на основе Sentinel / GEDI. Карты создаются путем применения преобразователя зрения к функциям, извлеченным из модели с самостоятельным наблюдением на изображениях Maxar с 2017 по 2020 год, и обучены на основе наблюдений с воздуха с помощью лидара и GEDI. Мы оцениваем предлагаемые карты с отложенными проверочными лидарными данными, а также сравниваем их с другими картами дистанционного зондирования и данными, собранными в полевых условиях, и обнаруживаем, что наша модель дает среднюю среднюю абсолютную ошибку (MAE) в пределах отложенных контрольных областей в 3,0 метра. .
2. Оценка глубины на основе обучения с самоконтролем по монокулярным изображениям (arXiv)
Автор: Маянк Поддар, Акаш Мишра, Мохит Кевлани, Хаоян Пей.
Аннотация: Оценка глубины имеет широкое применение в области компьютерного зрения, например, для отслеживания целей, дополненной реальности и беспилотных автомобилей. Цель монокулярной оценки глубины состоит в том, чтобы предсказать карту глубины, учитывая двумерное монокулярное изображение RGB в качестве входных данных. Традиционные методы оценки глубины основаны на сигналах глубины и используют такие понятия, как эпиполярная геометрия. С развитием сверточных нейронных сетей оценка глубины претерпела огромные изменения. В этом проекте наша цель — изучить возможные расширения существующих моделей оценки глубины на основе SoTA Deep Learning и посмотреть, можно ли улучшить показатели производительности. В более широком смысле мы рассматриваем возможность реализации методов оценки положения, эффективной интерполяции субпиксельной свертки, оценки семантической сегментации для дальнейшего улучшения предлагаемой нами архитектуры и обеспечения более детальных и более глобально согласованных прогнозов карты глубины. Мы также планируем избавиться от внутренних параметров камеры во время обучения и применить погодные дополнения для дальнейшего обобщения нашей модели.
