BriefGPT - AI 论文速递
·
透过云层看清楚：使用 Prithvi 基础模型填补云间隙
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文使用新的视觉Transformer模型在加纳的广泛景观上进行优化，提高了对高树的灵敏度，ViT模型的高度图具有更好的地面采样距离和稀疏植被灵敏度，RMSE仅为3.12m。
🎯
关键要点
- 本文使用新的视觉Transformer模型在加纳的广泛景观上进行优化。
- 优化了分类（离散）和回归（连续）损失函数，提高了准确度。
- 提出的离散/连续损失显著提高了对非常高的树（> 35m）的灵敏度。
- 其他方法往往会出现饱和效应。
- ViT模型的高度图具有更好的地面采样距离和稀疏植被灵敏度。
- 与卷积模型相比，ViT模型的RMSE仅为3.12m。
➡️
