XiaoMi-AI文件搜索系统
World File Search System变化检测
全球对生物多样性的监测：不确定性，风险和权力分析以支持趋势变化检测
全球目标旨在在2050年之前逆转生物多样性，但需要了解政策干预下的当前趋势和未来预测。首先，考虑到当前趋势的不确定性，我们提出了一个风险框架，考虑到概率和下降幅度。，尽管在生命行星数据库中分析的198个系统中只有11个（按国家 /地区的分类群体）显示出较高的确定性，但有20％的系统的大幅下降的可能性很大。社会需要决定生物多样性损失的可接受风险。第二，我们计算了统计能力，使用目前有大幅下降的62个系统中的约12,000个种群来检测趋势变化。当前趋势不确定性阻碍了我们评估改进的能力。趋势变化仅在14个系统中可以很高的确定性检测到，即使数千个人口被采样，并且保护措施平均会立即将净下降降至零。我们提供了潜在的解决方案，以改善对生物多样性目标的进度监测。
AI-ForestWatch：基于语义分割的端到端框架，使用多光谱遥感图像进行森林估计和变化检测
摘要。森林变化检测对于可持续森林管理至关重要。由于毁林（例如野火或开发活动引起的伐木）或造林而导致的森林面积变化会改变森林总面积。此外，它还会影响可用于商业目的的可用库存、碳排放引起的气候变化以及森林栖息地估计的生物多样性，这对于灾害管理和政策制定至关重要。近年来，林业人员依靠手工制作的特征或双时间变化检测方法来检测遥感图像中的变化以估计森林面积。由于手动处理步骤，这些方法很脆弱且容易出错，并且可能产生不准确的（即低估或高估）分割结果。与传统方法相比，我们提出了 AI-ForestWatch，这是一个用于森林估计和变化分析的端到端框架。所提出的方法使用基于深度卷积神经网络的语义分割来处理多光谱空间图像，通过自动从数据集中提取特征来定量监测森林覆盖变化模式。我们的分析完全由数据驱动，并使用 2014 年至 2020 年的扩展版（带植被指数）Landsat-8 多光谱影像进行。作为案例研究，我们估算了巴基斯坦 15 个地区的森林面积，并生成了 2014 年至 2020 年的森林变化图，在此期间，这些地区开展了主要的造林活动。我们的批判性分析显示，15 个地区中有 14 个地区的森林覆盖率有所提高。AI-ForestWatch 框架及其相关数据集将在发布后公开，以便其他国家或地区可以采用。© 作者。由 SPIE 根据知识共享署名 4.0 未移植许可证出版。分发或复制本作品的全部或部分内容需要完全署名原始出版物，包括其 DOI。[DOI：10.1117/1.JRS.15.024518]
新南威尔士大学堪培拉分校空间“M2”低地球轨道编队飞行和变化检测
新南威尔士大学堪培拉分校 (UNSW Canberra) 于 2017 年在澳大利亚皇家空军 (RAAF) 的资助下启动了一项雄心勃勃的立方体卫星研究、开发和教育计划。该计划包括 M1（任务 1）、M2 探路者，最后是编队飞行任务 M2。M2 是最后一次任务，包括两颗 6U 立方体卫星，采用差动气动阻力控制进行编队飞行。M2 卫星于 2021 年 3 月在 RocketLab 的“它们上升得如此之快”发射中以连体 12U 形式发射。2021 年 9 月 10 日，航天器在近圆形 550 公里、45 度倾角轨道上在小弹簧力的作用下分成两个 6U 立方体卫星（M2-A 和 M2-B）。编队通过改变航天器的姿态来控制，由于位于航天器天顶面的大型双展开太阳能电池阵的横截面积变化，导致气动阻力发生很大变化。
使用具有像素变化检测的深信信矛盾神经网络对MRI进行有效的脑肿瘤分类
脑肿瘤是一种癌症，其中大脑中的组织在大脑中迅速而不均匀地生长，并对人类生命造成巨大威胁。脑肿瘤被认为是成年人中常见可怕的癌症之一，它也会影响儿童。这种癌症分为两种类型，例如良性肿瘤和恶性肿瘤。然而，良性肿瘤是可以治愈的，而恢复受恶性肿瘤影响的患者的生存机会较小。如今，通常使用MR图像来检测脑肿瘤的种类。早期分类和肿瘤的鉴定对于治疗肿瘤并从早期死亡中挽救了人类生命很重要。然而，使用术前和术后MR图像的脑肿瘤分类和变化检测百分比是一项非常具有挑战性的任务。为了克服此类问题，这项研究提出了一种新的有效技术，用于使用拟议的深信念网络（DBN） +深卷积神经网络（DCNN）来确定像素变化检测。该过程涉及四个阶段，例如预处理，分割，特征提取和分类。DBN + CNN的组合用于基于错误函数的决策。DBN + CNN通过开发的横梁算法进行了训练。此外，提出的方法的最大准确度为0.957，灵敏度为0.967，特异性为0.918。
LandCover.ai：用于建筑物自动测绘的数据集……
土地覆盖和土地利用的监测和评估在自然资源管理中至关重要。遥感数据和图像处理技术已广泛应用于城市和农村地区的土地描述和变化检测。关于土地利用或土地覆盖的详细信息是各个领域的宝贵信息来源，例如城市规划[30,43]、变化检测[17]、植被监测[2]，甚至军事侦察。土地覆盖变化是环境变化[38,37]、森林覆盖动态[32]和退化[21]的指标，也是生物多样性监测的方法之一[31]。此类数据可用于研究景观中发生的过程，例如各种土地覆盖之间的流动 [ 16 ]，从而可以研究城市化、森林砍伐、农业强度和其他人为变化的速度。
神经形态计算的概率未来
•深度学习 /常规人工神经网络•并行数据处理（背景和变化检测，卷积等）•线性代数（MVM，交叉相关，L1-NORM等）•经典机器学习（SVMS，K-Nearest邻居，群集，群集）
一种保留细节的尺度驱动改变方法...
摘要 — 本文提出了一种在多时相合成孔径雷达 (SAR) 图像中进行变化检测的新方法。所提出的方法利用基于小波的对数比图像 (通过比较原始多时相数据获得) 的多尺度分解，旨在实现变化信号的不同尺度 (级别) 表示。每个尺度的特点是在斑点减少和几何细节保留之间进行不同的权衡。对于每个像素，根据应用于尺度相关对数比图像的局部统计测量来确定可靠尺度的子集。根据自适应尺度驱动融合算法获得最终的变化检测结果。在 ERS-1 卫星获取的多时相 SAR 图像上获得的实验结果证实了所提出方法的有效性。
增强对监控中意外变化的检测...
军事指挥和控制中的许多监视任务涉及监视视觉显示环境中的变化，以发现潜在危险或新机会。在各种情境图片中有效检测变化是理解战场空间的必要条件。意外事件的检测特别困难，在高度复杂和高风险的环境中，错过的事件可能会导致恶意后果。我们介绍了军事领域变化检测失败的例子，并解释了变化盲视和注意力盲视的心理现象为何以及如何导致此类失败。我们进一步概述了这些问题的现有解决方案，并指出了应对意外事件的具体问题，目前缺乏有效的解决方案。预期不足可能是敌人误导的结果。本文展示了一个新概念——用于增强变化检测的自适应注意力感知系统 (A3S)。A3S 是一种温和支持的概念。它基于通过显示屏上的非干扰性闪光提示（自下而上）来提示视觉注意力，以弥补在受高度不确定性影响的情况下因预期不足（自上而下）而导致的指导不足。