TESSERA:打破遥感模型依赖「理想数据」瓶颈,低标注下优势显著

数量1倍数特性.pdf 立即下载

1. 新技术TESSERA的推出

剑桥大学、阿尔托大学、布里斯托大学的联合研究团队基于巴洛双子算法构建了一种新的时序特征学习范式,能让模型自主学习地表稳定的时空变化规律,形成具有时序采样不变性的遥感特征表示。在此基础上,研究团队进一步提出了面向哨兵一号/哨兵二号多模态时序数据的像素级遥感基础模型TESSERA。

2. 遥感数据面临的问题

对地观测卫星已成为农业生产、森林管护、生态监测、国土治理等领域的关键工具,研究人员可利用卫星获取的长时序遥感数据追踪地表动态变化。但真实的卫星观测数据存在诸多问题,如云层遮挡、轨道重访周期不规则、传感器分辨率不匹配、设备噪声等干扰,导致原始数据残缺、异构、无序,难以直接用于高精度智能分析。尤其在农业物候、短时生态扰动等精细场景中,云层会直接掩盖关键的变化过程。

3. 现有处理方法的不足

目前行业普遍采用影像合成技术来「去云」和降噪,生成标准化无云影像,这提升了数据质量和可用性,但也带来了明显的信息损耗,物候动态、短时突变等精细时序特征往往在合成过程中被弱化甚至抹除,导致部分关键信息流失。近年来,遥感基础模型通过大规模预训练取得了很大进展,但多数模型仍依赖经过深度过滤、规整后的理想数据,训练时只用无云合成影像或时序均值,这舍弃了大量虽受云层影响、却仍包含真实变化规律的观测数据,导致模型在实际业务中面对稀疏、残缺、云量复杂的时序数据时,特征提取不稳,泛化能力大打折扣。

4. TESSERA的构建与研究亮点

为打破瓶颈,联合研究团队基于巴洛双子(Barlow Twins)算法构建新的时序特征学习范式,不再过滤含云数据,而是约束同一位置不同观测子集之间的特征一致性,让模型自主学习地表稳定的时空变化规律,形成具有时序采样不变性的遥感特征表示,并在此基础上提出像素级遥感基础模型TESSERA。相关研究成果已发表于预印本平台arXiv。研究亮点如下:构建全球尺度、像素级、高标签利用率的特征嵌入,设计全新自监督架构,训练出融合哨兵一号/二号多模态数据的像素级遥感基础模型;推出符合FAIR准则的数据即嵌入方案,发布全球年度10米分辨率像素级8位整型特征嵌入数据集,提供可直接部署的合规遥感资源;实验发现,在多样化的分类、分割和回归任务中,TESSERA能以极高的标签效率达到SOTA精度,通常仅需一个轻量任务头和极少的计算量。

5. 数据体系构建

该研究构建了覆盖全球的大规模时序遥感数据体系,用于模型预训练和系统评估模型的泛化能力。整个数据体系由预训练数据集和下游评测数据集组成,均基于哨兵一号雷达数据和哨兵二号光学数据构建,充分发挥雷达与光学观测的互补优势。

6. TESSERA优化数据嵌入方案

预训练阶段,研究团队构建了一个全球尺度的大规模时序数据集,时间跨度覆盖2017年至2024年,空间范围涵盖全球三千余个网格瓦片,总计约8亿个d - pixel样本。该数据集尽可能保留了真实观测的原始特性,包括数据缺失、不规则采样和云层遮挡等情况,同时每个时间步均配套二值掩码,用于标记观测有效状态,使模型能够显式感知数据缺失与观测质量差异。下游评测阶段,研究团队选取了6项公开基准数据集,覆盖分类、分割和回归三类主流任务,评测区域涵盖德国、法国、奥地利、芬兰、马来西亚等多个国家和地区,覆盖农业、森林等典型应用场景。每类任务均同时包含大尺度区域数据集和精细化局部数据集,分别评估模型的跨区域迁移能力和细粒度特征建模能力。此外,针对当前高分辨率、多时相哨兵一号/二号多模态标注数据稀缺的问题,研究团队还自主构建了两个新的评测基准:一是奥地利地块级作物制图数据集,用于评估精细农业场景下的分类与分割能力;二是基于激光雷达校正构建的东南亚森林林冠高度数据集,用于验证森林结构参数反演任务中的表现。

7. TESSERA的设计目标与数据组织方式

TESSERA的设计目标是在尽可能保留原始观测信息的前提下,让模型直接从复杂、不完整的时序数据中学习稳定表征,减少对数据规整、补全和修复流程的依赖。为此,该研究提出了一种新的时序数据组织方式——d - pixel。传统分析通常以单景影像或固定时间序列为输入,而d - pixel以单个空间位置为核心,将同一像素在不同时间获取的多源观测按时间顺序组织成观测序列。每个d - pixel不仅包含哨兵二号光学信息和哨兵一号雷达信息,还通过掩码向量标识哪些时间步存在云遮挡或数据缺失。这种表示方式完整保留了地表变化的时序特征,避免了传统规整过程中的信息损失。

8. TESSERA整体处理流程

模型架构上,TESSERA采用双分支编码器,分别处理光学和雷达数据。两类数据的成像机制和物理属性存在明显差异,独立编码能够充分挖掘各自特征,再通过融合实现多模态互补。对每种模态,模型首先对有效观测进行嵌入表示,并加入可学习的年内日位置编码引入时间信息,然后通过Transformer编码器建模长时序依赖关系,最后利用门控循环单元聚合整条时间序列,生成固定维度的单模态表征。光学与雷达特征融合后,形成128维多模态地表表征。研究还引入量化感知训练,将最终特征压缩为8位整型,在几乎不损失精度的情况下将存储规模缩减约75%。预训练策略是TESSERA的核心创新。基于巴洛双子自监督学习框架,对同一个d - pixel,系统从其完整时间序列中随机抽取两组观测子集,构建两种不同的「视角」。尽管两组观测包含的时间点不同,甚至部分时间步存在缺失,但描述的是同一地表对象。训练过程中,模型被要求将这两组观测映射到尽可能一致的特征空间。通过这种方式,模型学习到的是隐藏在不同观测背后的稳定地表规律,从而获得对时间采样方式具有鲁棒性的特征表示。此外,研究还引入混合正则化与全局打乱策略,进一步提升模型对观测扰动和空间自相关性的鲁棒性。

9. TESSERA在低标注与稀疏数据下的优势

为全面评估TESSERA的性能,该研究围绕遥感领域的典型应用场景设计了系统化实验,从分类、分割和回归三类任务出发,验证模型在不同数据规模、标注条件和区域场景下的表现。实验选取了多种主流遥感基础模型和经典视觉模型作为基线,统一设置1%、30%和100%三种标注比例,重点考察标签稀缺场景下的学习能力。为保证比较公平,不同任务均采用轻量化适配器进行下游推理。分类任务中,TESSERA展现出显著的时序特征学习优势。无论是在国家尺度树种分类任务还是精细化作物分类任务中,模型均取得领先表现。尤其在仅使用1%标注数据的极低样本场景下,TESSERA仍保持稳定性能,分类精度较最优基线提升约8个百分点。分割任务中,TESSERA表现出优秀的空间细节刻画能力。面对大尺度农田地块分割任务,模型在全量标注条件下达到行业领先水平;在低标注场景下,性能进一步超越所有对照模型。在奥地利作物语义分割数据集上,模型生成的地块边界更清晰,不同作物之间的混淆显著减少,整体语义一致性更强。回归任务重点考察模型对连续地表参数的表征能力。在地上生物量估算任务中,TESSERA在不同标注比例下均取得最佳结果,预测误差更低,空间分布更连续。在森林林冠高度反演任务中,模型进一步展现出对三维森林结构信息的捕捉能力,估算结果与激光雷达实测数据吻合度最高,能够有效恢复森林垂直结构特征。综合所有实验结果,TESSERA在分类、分割和回归三类任务中均保持稳定优势,尤其在低标注、数据稀疏和观测缺失等复杂条件下优势更为明显。相比许多依赖高质量训练数据的模型,TESSERA在真实遥感场景中的性能下降更加平缓,展现出更强的鲁棒性和泛化能力。

10. 思考与方向

遥感基础模型真的非「理想数据」不可吗?TESSERA的尝试给出了不同的答案:让模型直接面对真实世界中残缺、不规则、云层干扰频繁的观测序列,在自监督框架下学习具有时序采样不变性的特征表示。这并不意味着数据清洗不再重要,而是提示研究人员或许可以将更多精力从「把数据变干净」转向「让模型学会处理不干净的数据」。毕竟,卫星拍下的每一张含云影像,都是地球真实观测的一部分。相比不断追求更「完美」的数据,让模型学会理解真实世界的复杂性,或许才是遥感基础模型走向通用化的重要方向。

__EF550.zip 立即下载

相关推荐

【高速互连技术】合规性测试规范:物理层信号完整性与链路均衡验证系统设计

内容概要:本文档介绍了分析工具进行实践对照,并关注后续规范版本更新以确保符合最终发布标准。

Vultr携手AMD支持剑桥大学TESSERA人工智能项目,加快推进全球环境监测

依托搭载AMD Instinct™ MI325X GPU的Vultr云基础设施,以及AMD ROCm™开放软件栈,剑桥大学研究团队能够高效处理PB级卫星数据,并生成覆盖行星尺度的嵌入表示,助力将环境观测数据转化为可操作、可应用的洞察。此次合作标志着人工智能在应对全球生态保护挑战中的应用取得重要进展。通过为TESSERA提供所需的计算资源,并支持开源技术生态,Vultr正助力推动能够产生切实影响的科研创新,从帮助小农户提高作物产量,到追踪关键生态系统中的生物多样性流失,为应对全球环境挑战提供有力支撑。

美国商业资讯的博客 236

万人睡眠健康与生活方式调查数据集

成年人群睡眠健康与生活方式研究数据集,合成模拟10000行20列单CSV文件,睡眠障碍标记人群占比约四分之一。设置双预测目标:睡眠障碍二分类字段与日间疲劳得分回归字段,可分别开展分类与回归建模。特征字段涵盖年龄、性别、十一种职业类别、每周工作时长、轮班工作标记、自我压力评分、身体质量指数BMI、吸烟状态、每周饮酒量、每日咖啡因摄入毫克数、睡前一小时屏幕使用时间、每周运动分钟数、日均步行数、静息心率、习惯就寝时间点、平均睡眠时长、睡眠质量自评等二十项。数据完整无缺失,结果列与特征列分离清晰,便于目标泄漏防范练习。适用场景:睡眠障碍预测建模、日间疲劳程度回归分析、咖啡因与睡前屏幕对睡眠时长的影响量化、不同职业群体睡眠质量对比研究、逻辑回归与梯度提升模型对比实战等。合成数据不含真实个人信息,适合健康数据分析教学、特征工程练习与机器学习课程实训项目使用。

剑桥大学等提出面向对地观测任务的像素级基础模型,在多项任务中精度达SOTA

毕竟,卫星拍下的每一张含云影像,都是地球真实观测的一部分。为打破这一瓶颈,剑桥大学、阿尔托大学、布里斯托大学的联合研究团队基于巴洛双子(Barlow Twins)算法构建了一种新的时序特征学习范式,不再过滤含云数据,而是约束同一位置不同观测子集之间的特征一致性,让模型自主学习地表稳定的时空变化规律,形成具有时序采样不变性的遥感特征表示。为全面评估 TESSERA 的性能,该研究围绕遥感领域的典型应用场景设计了系统化实验,从分类、分割和回归三类任务出发,验证模型在不同数据规模、标注条件和区域场景下的表现。

HyperAI超神经 405

FANUC-R2000iC165F-六轴机械臂码垛仿真

FANUC_R2000iC165F_六轴机械臂码垛仿真

frontend-design skills

frontend-design skills

考虑风光火储+需求响应+P2G多能源系统NSGA-II多目标优化调度(Matlab代码实现)

考虑风光火储+需求响应+P2G多能源系统NSGA-II多目标优化调度(Matlab代码实现)内容概要:本文介绍了基于NSGA-II多目标优化算法对包含风能、光伏、火电、储能系统、需求响应及电转气(P2G)等多种能源形式的综合能源系统进行优化调度的研究,采用Matlab进行代码实现。研究综合考虑了系统运行成本、碳排放、能源利用率等多个优化目标,通过建立精确的数学模型,结合可再生能源出力不确定性、负荷波动以及需求响应机制,实现多能源协同调度的帕累托最优解集求解,旨在提升能源系统的经济性与环保性,并验证所提方法的有效性和实用性。; 适合人群:具备一定电力系统、优化算法及Matlab编程基础的研究生、科研人员以及从事能源系统规划与运行相关工作的工程技术人员。; 使用场景及目标:①应用于多能源互补的综合能源系统优化调度研究;②为实现低碳、高效、可靠的能源供应提供决策支持;③学习和掌握NSGA-II算法在复杂多目标优化问题中的实际应用方法。; 阅读建议:建议读者结合Matlab代码与文中模型描述逐步理解算法实现流程,重点关注目标函数构建、约束处理及Pareto解集的生成与分析,有条件者可进一步修改参数或扩展模型以深化理解。

政府科技管理者在推动区域科技成果转化过程中,如何解决成果供需匹配效率低的问题?.docx

政府科技管理者在推动区域科技成果转化过程中,如何解决成果供需匹配效率低的问题?

16周全【Harness&Hermes】多智能体开发特训营

2026年的AI开发者圈子里,几乎没有人再怀疑多智能体的价值。Gartner预测年底40%的企业应用将内置智能体,LangChain、AutoGen、CrewAI等框架轮番登场,演示视频里的AI团队分工明确、配合流畅。然而,一个尴尬的现实是:大多数开发者手里跑通的多智能体项目,停留在Jupyter Notebook的最后一行。一旦试图把它塞进真实业务环境,问题便如潮水般涌来——长任务跑到一半崩了要重来,智能体之间的消息黑盒般不可追溯,换个场景就得推倒重写,上线之后连“刚才那次调用为什么花了三倍的钱”都查不出来。 这正是【Harness&Hermes】多智能体开发特训营试图回应的命题。它的切入点不在“再教你写一个Demo”,而在于一个更朴素却更稀缺的能力:让多智能体系统从演示玩具变成可交付、可运维、可演进的生产资产。 要理解这门课的价值,得先看清多智能体开发当前的断层在哪里。单Agent时代,提示词写得好、API调得通,基本就能交差。但多Agent协作的本质是编排:谁负责拆解需求,谁负责执行,谁负责校验,上下文如何在角色之间传递而不丢失,某个环节出错时整条链路如何回退。这些问题的难度不在模型能力,而在工程控制。市面上不缺讲LangGraph节点怎么连、RAG检索怎么做的教程,缺的是把“多个智能体在真实业务压力下稳定协作”这件事讲透的人。 Harness与Hermes的分工,恰好对应了工程控制的左右手。根据课程的设计逻辑,Harness管“流程”,Hermes管“记忆与进化”。Harness 负责长任务的流程治理:一个面试模拟流程跑了二十分钟,中途用户关掉页面,下次打开能不能接着上次的进度继续?某个Agent调用工具超时了,整条链路是崩溃还是优雅降级?线上出了问题,日志能不能精确到“第几轮对话、哪个Agent、调了什么工具、花了多少token”。这些听起来不性感,但任何一

国企央企如何实现技术成果的精准对接与快速落地?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

用于计算系统状态的卡尔曼最优增益和最小均方误差(MMSE)估计研究(Matlab代码实现)

内容概要:本文围绕用于计算系统状态的卡尔曼最优增益和最小均方误差(MMSE)估计展开研究,深入探讨了卡尔曼滤波在动态系统状态估计中的核心作用。文章系统阐述了卡尔曼滤波的数学基础,包括状态空间模型的建立、先验与后验状态估计、协方差矩阵的递推更新,以及最优增益矩阵的推导过程,确保在高斯白噪声环境下实现对系统状态的最小均方误差估计。结合Matlab代码实现,完整展示了算法从理论建模到仿真实验的全流程,涵盖系统建模、噪声设置、滤波迭代、状态更新与误差分析等环节,并通过仿真实验验证了算法在噪声干扰下对系统真实状态的高精度跟踪能力。该研究为控制工程、导航系统、信号处理及自动化领域中的状态估计问题提供了坚实的理论依据与高效的数值实现方案。; 适合人群:具备一定控制理论、概率统计基础和Matlab编程能力,从事自动化、电子信息、航空航天、机器人、导航定位等相关领域的科研人员、工程技术人员及高校研究生。; 使用场景及目标:①掌握卡尔曼滤波的基本原理及其在状态估计中的数学推导过程;②学习如何利用Matlab实现卡尔曼滤波算法并进行系统仿真与性能评估;③应用于目标跟踪、传感器融合、惯性导航、故障诊断、时间序列预测等实际工程中的动态状态估计问题。; 阅读建议:建议读者结合文中提供的Matlab代码进行动手实践,通过调整系统模型参数、过程噪声与观测噪声强度,观察滤波效果的变化,深入理解卡尔曼增益的自适应调节机制与MMSE估计的收敛特性。同时可进一步拓展学习扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)等非线性滤波方法,以应对更复杂的非线性系统状态估计挑战。

产业园区运营负责人如何利用数据智能化提升科技资源配置效率?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

高校技术转移办公室人员如何提升成果转化服务效率?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

一种具有实验验证的层级扰动抑制深度跟踪控制算法,适用于欠驱动型AUV(Simulink仿真、Matlab代码)

内容概要:本文详细介绍了一种专为欠驱动型自主水下航行器(AUV)设计的层级扰动抑制深度跟踪控制算法,该算法通过构建分层控制架构,有效应对海洋环境中复杂的外部扰动(如水流、波浪等)以及系统内部的非线性动态特性,显著提升了AUV在执行深度跟踪任务时的控制精度与系统鲁棒性。研究不仅涵盖了控制策略的理论设计与稳定性分析,还包括详细的Simulink仿真模型搭建、Matlab代码实现及参数设置,并通过对比实验验证了所提方法在抗干扰能力和跟踪性能方面相较于传统控制算法的优越性。资源包内含完整的可运行代码、仿真模型和详尽的文档说明,便于研究者复现结果并在此基础上进行二次开发与创新。; 适合人群:具备自动控制理论基础、海洋工程或机器人相关学科背景,且熟练掌握Matlab/Simulink仿真环境的科研人员、研究生及高年级本科生。; 使用场景及目标:① 深入学习和研究欠驱动AUV的先进运动控制技术,特别是深度跟踪控制策略;② 开展水下机器人抗外部扰动控制算法的设计、仿真与性能验证工作;③ 作为毕业设计、科研项目或学术论文的技术支撑与代码原型,加速研究进程。; 阅读建议:建议使用者结合提供的Matlab代码与Simulink模型,逐模块理解算法的实现逻辑与数据流,推荐从简单静态环境仿真入手,逐步过渡到复杂动态扰动工况,通过调整控制器参数与扰动强度,全面掌握算法的性能边界、鲁棒性特征及优化潜力。

国央企创新负责人如何利用平台实现技术需求的精准挖掘与匹配?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

自适应多机器人编队规划,以包围和跟踪具有运动和可见性约束的目标(Matlab代码实现)

内容概要:本文提出了一种自适应多机器人编队规划方法,旨在实现对具有运动能力和可见性约束目标的高效包围与持续跟踪,采用Matlab进行算法实现与仿真验证。该方法综合考虑了多机器人系统在动态环境中的协同控制、编队形态生成与保持、障碍物规避以及目标可见性维护等关键问题,通过设计分布式控制律使编队能够根据目标行为和环境变化自适应调整队形与运动轨迹,确保稳定包围并最大化目标观测质量。文中详细阐述了系统的数学建模过程、控制策略设计原理及约束处理机制,并提供了多场景下的仿真实验结果,验证了所提方法在复杂条件下的鲁棒性、灵活性与有效性。; 适合人群:具备自动化、机器人学、控制理论或人工智能等相关领域基础知识的科研人员及研究生,熟悉Matlab编程环境并致力于多智能体系统、协同控制、路径规划或智能无人系统研究的专业人士。; 使用场景及目标:①应用于多机器人系统在监视、围捕、搜救等任务中对移动目标的协同包围与跟踪控制;②为研究分布式编队控制、可见性优化、动态避障与多智能体协同决策等核心技术提供可复现的算法实例与理论支撑; 阅读建议:建议读者结合提供的Matlab代码逐模块分析算法实现细节,重点关注控制律设计、约束建模与仿真结果对比部分,宜在仿真环境中调整参数配置以深入理解系统性能边界与优化潜力。

国央企如何构建高效的内部技术转移与创新协同机制?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

探索Three.js:利用ShaderMaterial实现动态着色器特效

本文深入探讨了Three.js中ShaderMaterial的应用,指导开发者利用GLSL编写自定义着色器实现动态特效。文章从核心概念GLSL、Uniforms与Attributes讲起,通过创建动态颜色变化平面的实战案例,逐步进阶到实现波纹扩散与动态光影等高级效果,并提供了性能优化与调试技巧,帮助读者掌握创建高性能WebGL视觉特效的关键技能。

weixin_29250403的博客 203
上一篇: Claude新模型Fable 5能力强但问题多:安全护栏易误伤,使用策略引担忧
下一篇: 从消费电子到AI芯片,LPDDR成推理“通解”,2026-2027年需求将指数增长
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值