Global Vision Media Fokus
Kompaniya CCTVda jami 15 marta namoyish etildi va uning partiya ommaviy axborot vositalari, markaziy ommaviy axborot vositalari va mahalliy rasmiy ommaviy axborot vositalari orqali qamrab olinishi jami 50 million kishiga yetdi.
MAE dan Spektral Yergacha: Asosiy giperspektral model
Kirish tarixi
So'nggi yillarda, tabiiy tasvirlar sohasidagi vizual fundamental modellardagi yutuqlar bilan, bir savol asta-sekin aniq bo'lib bormoqda: giperspektral masofaviy zondlash ham o'zining "fundamental modelini" yaratishi mumkinmi? RGB tasvirlaridan farqli o'laroq, giperspektral tasvirlar odatda kuchliroq jismoniy ma'noga, yuqori o'lchovli ortiqchalikka va kamroq yorliqlangan ma'lumotlarga ega bo'lgan yuzlab ketma-ket diapazonlarni o'z ichiga oladi. An'anaviy usullar ko'pincha nazorat ostidagi mashg'ulotlar uchun kichik o'lchamli ma'lumotlar to'plamlariga tayanadi, bu esa modellarni umumlashtirish qobiliyatining cheklanganligiga va mintaqalararo va sensorlararo uzatishda qiyinchiliklarga olib keladi. Shuning uchun, giperspektral sohaga juda ko'p miqdordagi yorliqlanmagan ma'lumotlardan foydalangan holda oldindan mashg'ulotlar o'tkazishga qodir bo'lgan yagona modellashtirish paradigmasi zarur.
Model doirasi
Shu fonda, Masked Autoencoder (MAE) giperspektral fundamental modellar uchun muhim texnik yordamga aylandi. Meta tomonidan birinchi marta taklif qilingan MAE ning asosiy g'oyasi kirish tasvirining katta qismini tasodifiy ravishda yopish, faqat ko'rinadigan qismlarni kodlash va keyin dekoder yordamida yopishgan tarkibni qayta tiklashdir. Qarama-qarshi o'rganishdan farqli o'laroq, MAE namunalar orasidagi o'xshashlik cheklovlariga tayanmaydi; buning o'rniga, u modelni "qayta qurish vazifasi" orqali ma'lumotlarning ichki tuzilishini tushunishga majbur qiladi. Yamoqning 75% dan ortig'i yopishganida, model shunchaki mahalliy tekstura xususiyatlarini yodlash o'rniga, global fazoviy munosabatlar va semantik tashkil etish qoidalarini o'rganishi kerak. Ushbu mexanizm MAE ga strukturaviy tasvirlarni o'rganish uchun kuchli qobiliyat beradi.
1-rasm. MAE struktura diagrammasi
Ushbu doirada taklif qilingan Spektral Yer giperspektral sohada fundamental modellarning yangi davrini boshlash uchun muhim urinish sifatida qaralishi mumkin. Vision Transformer arxitekturasiga asoslangan ushbu ish MAE yordamida o'z-o'zini nazorat qiladigan oldindan o'qitish orqali keng ko'lamli giperspektral ma'lumotlar bo'yicha yagona tasvirni o'rganadi. Uning asosiy maqsadi bitta vazifa uchun optimallashtirish emas, balki o'tkazilishi mumkin bo'lgan, umumlashtirilgan xususiyat tasvirlarini yaratishdir. Oldindan o'qitishdan so'ng, model yer qoplamini tasniflash, ekin turini aniqlash va o'rmon turini xaritalash kabi bir nechta quyi oqimdagi masofaviy zondlash vazifalari bo'yicha baholandi, bu esa turli stsenariylarda oldindan o'qitilgan tasvirlarning umumlashtirish qobiliyatini tasdiqladi.
2-rasm. Spektral Yerni oldindan tayyorlash/aniq sozlash blok-sxemasi
Reproduksiya natijalari
Pastki oqimdagi baholashda Spectral Earth modelni CORINE, CDL, NLCD, EuroCrops, TreeMap, BDForêt va BNETD kabi bir nechta ommaviy ma'lumotlar to'plamlarida tasdiqladi. Eksperimental natijalar shuni ko'rsatadiki, To'liq nozik sozlash strategiyasi bo'yicha - ya'ni umumiy nozik sozlash uchun barcha model parametrlarini muzlatishdan ozod qilish - MAE bilan oldindan o'qitilgan ViT modeli ko'pgina vazifalarda noldan o'qitilgan modellardan ustun turadi. Bu shuni ko'rsatadiki, o'z-o'zini boshqaradigan oldindan o'qitish haqiqatan ham giperspektral modellarga yanada barqaror va o'tkazilishi mumkin bo'lgan strukturaviy tasvirlash imkoniyatlarini beradi.
1-jadval. Ko'paytirish natijalarini taqqoslash
MAE (ViT-S versiyasi) ning haqiqiy reproduksiyasi va uni keyingi vazifalar bo'yicha baholashda oldindan o'qitishning afzalliklari aniq ko'rinadi. Birinchidan, model kichik namunaviy stsenariylarda tezroq yaqinlashadi va barqarorroq ishlaydi. Ikkinchidan, mintaqalararo ma'lumotlar to'plamlarida ishlash tebranishlari kichikroq, bu uning ma'lum ma'lumotlarni taqsimlash xususiyatlarini emas, balki umumiyroq spektral tuzilish ma'lumotlarini o'rganishini ko'rsatadi. Ayniqsa, ekinlarni aniqlash va o'rmonlarni tasniflash vazifalarida spektral modellashtirish qobiliyati ishlashni yaxshilashda asosiy omilga aylanadi.