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。
受中脑启发的稳健变化检测循环神经网络模型
我们提出了一种受生物启发的循环神经网络 (RNN)，它可以有效检测自然图像中的变化。该模型具有稀疏拓扑连接 (st-RNN)，与“中脑注意网络”的电路架构紧密相关。我们将 st-RNN 部署到一个具有挑战性的变化视盲任务中，该任务必须在一系列不连续的图像中检测变化。与传统 RNN 相比，st-RNN 的学习速度提高了 9 倍，并且以减少 15 倍的连接实现了最佳性能。低维动力学分析揭示了假定的电路机制，包括全局抑制 (GI) 基序对成功变化检测的关键作用。该模型再现了关键的实验现象，包括中脑神经元对动态刺激的敏感性、刺激竞争的神经特征以及中脑微刺激的标志性行为效应。最后，该模型在变化盲视实验中准确预测了人类注视点，超越了最先进的基于显着性的方法。st-RNN 提供了一种新颖的深度学习模型，用于将变化检测背后的神经计算与心理物理机制联系起来。
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。
在视听变化检测过程中后顶皮层的功能（IR）相关性
后顶叶皮层（PPC）在整合来自不同方式的感觉输入以支持适应性行为方面起着关键作用。PPC中的神经元活性反映了行为任务之间的感知决策，但是PPC的机理参与尚不清楚。在视听变更检测任务中，我们检验了以下假设：PPC是从两种不同模态的嘈杂输入之间进行的，并有助于确定发生感觉变化的方式。在训练有素的雄性小鼠中，我们发现了与任务相关的视觉和听觉刺激，试验史以及即将到来的行为反应的广泛的单神经元和人群级编码。，尽管这些丰富的神经相关性，理论上足以解决任务，但PPC的光学遗传失活并不影响视觉或听觉性能。因此，尽管神经相关忠实地跟踪感觉变量并预测行为反应，但PPC与视听变化检测无关。此功能解离质疑在视听变化检测过程中，感觉与任务相关的活动在顶叶关联电路中的作用。此外，我们的结果强调了在探索感知和行为的神经基础时与机械介入相关的分解功能的必要性。
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。
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]
使用多传感器和多分辨率遥感图像的长期土地覆盖变化检测：中国长大学的案例研究
更改检测是遥感应用程序中最重要的方面之一。但是，由于图像采集的有限条件，从相同类型的遥控传感器获得的图像通常用于监视长期土地使用和土地覆盖（LULC）的变化。由于航空航天技术的发展和新的光学遥控传感器，LULC更改检测可以很好地使用多传感器和多分辨率图像进行。本文的主要贡献是验证通过将不同的更改检测方法应用于多传感器和多分辨率遥感图像来执行长期LULC更改检测是可行且可行的。在这项研究中，从1998年至2018年，在Landsat，Quickbird，Worldview-4和GF-2图像上使用了不同的变更检测方法，以检测中国Chang'an University的Weishui校园的LULC变化。结果表明，使用LandSat-5图像的直接光谱比较方法比使用LandSat-7图像在1998年至2008年之间更有效地检测到1998年至2008年之间的LULC变化。然而，在2008 - 2018年间，基于对象的变更检测方法比使用时间序列的高分辨率图像来监视校园中LULC更改的分类后方法更适用。这项研究可用作使用多传感器和多分辨率遥感图像的参考，以及在LULC变化检测场中不同变化检测方法的组合。
基于遥感的城市土地利用/土地覆盖变化检测与监测
确定土地利用和土地覆盖变化对地球系统的影响取决于对过去土地利用实践、当前土地利用和土地覆盖模式以及未来土地利用和覆盖预测的理解，这些预测受到人类活动、经济发展、技术和其他因素的影响 [4,5,7,8]。关于城市结构和组成，可以认识到空间布局中有许多由微小不同材料组成的物体，这在地球观测卫星图像中产生了异质像素。此外，城市景观具有 3D 组件。当涉及到影响城市遥感的因素时，有必要研究几何分辨率（空间上分离物体）、光谱和辐射分辨率（按主题区分物体）和时间分辨率（在不同日期获得一致的图像材料 [1,9,10]
遥感图像变化检测 - Canada.ca
人们对地球表面最新信息的需求与日俱增，因为此类信息为大量应用提供了基础，包括本地、区域和全球资源监测、土地覆盖和土地利用变化监测以及环境研究。遥感卫星数据提供了获取不同分辨率土地信息的机会，并已广泛用于变化检测研究。利用遥感数据，已经开发了大量变化检测方法和技术，而且新技术还在不断涌现。本文首先讨论传统的基于像素和（主要是）面向统计的变化检测技术，这些技术主要关注光谱值，而大多忽略了空间背景。接下来是对基于对象的变化检测技术的回顾。最后，简要讨论了图像处理和遥感数据变化检测中的空间数据挖掘技术。比较了不同技术的优点和问题。强调了图像数据量和多个传感器的指数级增长的重要性以及变化检测技术发展面临的相关挑战。随着超高分辨率 (VHR) 遥感图像的广泛使用，基于对象的方法和数据挖掘技术在变化检测方面可能具有更大的潜力。� 2013 国际摄影测量和遥感学会 (ISPRS) 由 Elsevier B.V. 出版。保留所有权利。
卫星变化检测的体积方法...
摘要 越来越高的分辨率卫星图像引起了人们对自动检测某个区域随时间推移的非常精细的变化的兴趣，这是一种分析人口密集城市地区活动特别有用的工具。然而，由于高架结构的运动视差，尝试以这种分辨率自动检测变化非常困难。本文提出了一种全面的解决方案，使用一种称为体积外观建模 (VAM) 的新框架来检测具有显著 3D 起伏的区域的变化。这种方法可以通过维护一个基于 3D 体素的模型来管理未知和变化的世界表面的复杂性，其中表面占用和图像外观的概率分布存储在每个体素中。这些分布会在使用自适应学习程序接收新图像时不断更新。事实证明，这种表示可以在卫星图像中存在可变照明和视点以及雾霾条件的情况下产生准确的变化检测结果。体积表示还支持自动传感器模型校正，以将传入图像与通用地理参考对齐。事实证明，这种配准方法可以实现与地面采样距离（GSD）相当或更好的地理定位精度。