XiaoMi-AI文件搜索系统
World File Search System卫星图像
一个单级分类器，用于检测GAN操纵多光谱卫星图像
摘要：当前的图像生成模型已经实现了非常现实的图像质量，提供了许多学术和工业应用。但是，为了确保这些模型用于良性目的，必须开发最终检测图像是否已合成生成的工具。因此，已经开发了几个在计算机视觉应用中表现出色的检测器。但是，这些检测器不能直接应用，因为它们是多光谱卫星图像，因此需要对新模型进行训练。虽然两类分类器通常达到高检测精度，但它们努力将图像域和与训练过程中遇到的形象不同的生成体系结构推广。在本文中，我们提出了一个基于量化量化的变异自动编码器2（VQ-VAE 2）功能的单级分类器，以克服两类分类器的局限性。我们首先要突出二进制分类器所面临的概括问题。通过在多个多光谱数据集中训练和测试有效网络架构来证明这一点。然后，我们说明，基于VQ-VAE 2的分类器，该分类器仅在原始图像上进行了培训，可以检测来自不同领域的图像，并由训练过程中未遇到的体系结构生成。最后，我们在同一生成的数据集上的两个分类器之间进行了面对面的比较，强调了基于VQ-VAE 2的检测器的出色概括能力，在使用vQ-ve-vae 2的探测器时，我们在使用蓝色和红色通道的0.05误报率为1时以1.05的误报率进行了检测。
生成合成生成对抗网络的基于改善清晰度的多光谱卫星图像
摘要。合成的多光谱卫星图像的产生尚未达到其他领域中可达到的质量水平，例如面部图像的产生和操纵。难度的一部分源于需要在此类图像覆盖的整个电磁频谱上生成一致的数据，该图像的辐射分辨率高于多媒体应用中通常使用的图像。与不同波长相对应的图像带的不同空间分辨率提出了其他问题，其主要效果是相对于原始图像，在合成图像中缺乏空间细节。我们建议通过将样式传输应用于13波段Sentinel-2 Level1-C图像，明确认为基于生成的对抗网络的建筑可以生成合成卫星图像。为避免丢失更细的空间细节并改善生成的图像的清晰度，我们引入了一种类似Pansharpening的方法，从而将输入图像的空间结构转移到了样式转移的图像的情况下，而无需引入可见的文物。我们通过应用所提出的架构将贫瘠的图像转化为植被图像，反之亦然，从而得到的结果（res。冬季）图像进入冬季（res。夏季图像，确认了提出的解决方案的有效性。
利用量子优势进行卫星图像处理：回顾与评估
摘要 本文探讨了量子计算 (QC) 在地球观测和卫星图像中的现状。我们分析了量子学习模型在处理卫星数据时的潜在局限性和应用，考虑到从量子优势中获利以及找到高性能计算 (HPC) 和 QC 之间的最佳共享的持续挑战。然后，我们评估了一些转换为 Clifford+T 通用门集的参数化量子电路模型。T 门揭示了在 HPC 系统或多个 QC 系统上部署量子模型所需的量子资源。特别是，如果无法在 HPC 系统上有效地模拟 T 门，我们可以应用量子计算机及其计算能力，而不是传统技术。我们的量子资源估计表明，具有足够数量 T 门的量子机器学习 (QML) 模型提供量子优势，当且仅当它们比部署在 HPC 系统上的经典模型更好地概括看不见的数据点，并且它们在每次学习迭代中打破权重的对称性，就像在传统深度神经网络中一样。作为最初的创新，我们还估算了一些 QML 模型所需的量子资源。最后，我们定义了 HPC+QC 系统之间的最佳共享，用于执行高光谱卫星图像的 QML 模型。与其他卫星图像相比，这些数据集是独一无二的，因为它们的输入量子比特数量有限，标记的基准图像数量也很少，因此在量子计算机上部署起来的难度较小。
人工智能对智能手机照片和卫星图像临时序列的影响：uma ab
原始接收： 23/11/2023 公共授权： 26/12/2023 Margareth Simões Doutora em Geografia Instituição： EMBRAPA Solos e Universidade do Rio de Janeiro (UERJ) Endereço： R. Jardim Botânico, 1024, Jardim Botânico，里约热内卢 – RJ，CEP：22460-000 电子邮件：margareth.simoes@embrapa.br Rodrigo Peçanha Demonte Ferraz Doutor em Ciências Ambientais Instituição：EMBRAPA Solos Endereço：R. Jardim Botânico，1024，Jardim Botânico，里约热内卢 – RJ, CEP: 22460-000 电子邮件: rodrigo.demonte@embrapa.br Patrick Calvano Kuchler Doutor em Ciências Ambientais Instituição: Universidade do Estado do Rio de Janeiro (UERJ) Endereço: R. São Francisco Xavier, 524, Maracanã, Rio de Janeiro – RJ, CEP: 20550-900 电子邮件：geocalvano@gmail.com Matheus Benchimol Ferreira de Almeida Doutor em Ciências do Meio Ambiente Instituição：EMBRAPA Solos Endereço：R. Jardim Botânico，1024，Jardim Botânico，里约热内卢 – RJ，CEP： 22460-000 电子邮件： mateusbenchimol@hotmail.com
利用量子优势进行卫星图像处理：回顾与评估
摘要 本文探讨了量子计算在地球观测 (EO) 和卫星图像中的现状。我们分析了量子学习模型在处理卫星数据时的潜在局限性和应用，考虑到从量子优势中获利以及找到高性能计算 (HPC) 和量子计算 (QC) 之间的最佳共享的持续挑战。然后，我们评估了一些转换为 Clifford+T 通用门集的参数化量子电路模型。T 门揭示了在 HPC 系统或多个 QC 系统上部署量子模型所需的量子资源。特别是，如果无法在 HPC 系统上有效地模拟 T 门，我们可以应用量子计算机及其计算能力，而不是传统技术。我们的量子资源估计表明，具有足够数量 T 门的量子机器学习 (QML) 模型提供量子优势，当且仅当它们比部署在 HPC 系统上的经典模型更好地概括看不见的数据点，并且它们在每次学习迭代中打破权重的对称性，就像在传统深度神经网络中一样。作为一项初步创新，我们还估算了某些 QML 模型所需的量子资源。最后，我们定义了 HPC+QC 系统之间的最佳共享，用于执行高光谱卫星图像的 QML 模型。与其他卫星图像相比，这些数据集是独一无二的，因为它们的输入量子比特数量有限，标记的基准图像数量也很少，因此在量子计算机上部署起来的难度较小。
《银河系生物学家指南：利用人工智能》和非常高分辨率的卫星图像监视来自太空的海洋哺乳动物
1东北渔业科学中心，国家海洋渔业服务，NOAA，伍兹霍尔，马萨诸塞州02543，美国2海洋哺乳动物实验室，阿拉斯加渔业科学中心，国家海洋渔业服务，NOAA，西雅图，西雅图，华盛顿州98115； kim.goetz@noaa.gov 3 British Antarctic Survey, High Cross, Madingley Road, Cambridge CB3 0ET, UK 4 Microsoft AI for Good Research Lab, 1 Microsoft Way, Redmond, WA 98052, USA 5 Naval Research Laboratory, Naval Center for Space Technology (NCST), Washington, DC 20375, USA 6 School of Engineering, University of Edinburgh, Sanderson Building, Robert史蒂文森路（Stevenson Road），国王大楼，爱丁堡EH9 3FB，英国7地球与环境学院，坎特伯雷大学，坎特伯雷大学，克赖斯特彻奇8140，新西兰8140，明尼苏达州明尼苏达州的地球与环境科学系8140美国国家海洋渔业服务公司NOAA，AK NOAA，AK 99513，美国 *通信：Christin.khan@noaa.gov;电话。： +1-617-256-4452
利用人工智能和计算几何从卫星图像重建 3D 环境以用于混合现实
得益于人工智能和计算几何，高分辨率卫星图像源的增加和可用性的提高使得能够越来越快速地重建忠实的 3D 制图环境，以满足部队训练设备模拟的需求，特别是混合现实可视化。我们开发了一种操作自动化管道，可以从多立体卫星图像中自动生成数字地形模型和正射影像。多立体影像和简单的正射影像也可以生成用于描述遮罩（建筑物、树木）的几何图形所需的额外 3D 矢量资产。此外，我们的管道允许识别屋顶形状和自动对建筑物进行纹理处理，使用一种结合人工智能和程序建模的混合方法。提供以自动方式生成的优化 3D 图块格式（CESIUM 推广的 OGC 标准），可以在各种可视化引擎中大规模传播生成的信息。最后，在混合现实（Microsoft HoloLens 2）的背景下，将虚拟对象集成到真实场景中，可以计算现场场景的掩星。这些进步为快速且经济高效地生成大规模地形提供了突破性技术，为模拟中的自动场景生成（虚幻引擎 5）提供了必要的精度。
从卫星图像中自动提取建筑物...
摘要 - 本文重点介绍一种从卫星图像中快速提取建筑物边界的自动算法，并对双边滤波器 (BF) 和自适应双边滤波器 (ABF) 进行了实验比较。研究和实验结果证明，ABF 的结果比 BF 的结果好得多。ABF 产生的结果比 BF 更有希望。旧的和传统的建筑物边界提取模型非常复杂且耗时。所提出的建筑物边界提取程序包括三个主要阶段：（1）使用自适应双边滤波器进行边缘保留和平滑，（2）使用 ED Line 算法检测线段，（3）使用感知分组技术识别多边形建筑物边界。我们提出的算法在 HR（高分辨率）Quick Bird 卫星图像上进行了测试，获得的结果很有希望并且几乎是实时的。因此，实验结果足够有用，总体准确率为 88.24%，这对于进一步了解建筑物边界的图像以及在实时环境中识别目标来说足够准确，并且有助于解决早期识别未经授权和非法建筑物的问题。关键词：Quick Bird 卫星图像、自适应双边滤波器（ABF）、双边滤波器、高分辨率卫星图像、直方图均衡化、ED 线检测器算法、建筑物边界提取。