利用卷积神经网络（CNN）进行卫星任务规划以预测粮食安全结果
计算机视觉与模式识别
2019-04-29 v2 机器学习
摘要
获取描述地方粮食安全指标（FSM）的可靠数据，且粒度对政策制定者具有参考价值，需要进行昂贵且后勤困难的调查，在发展中国家尤其如此。我们在公开可用的描述土地覆盖分类的卫星数据上训练 CNN，并利用迁移学习和直接训练构建仅从卫星影像数据预测 FSM 的模型。然后，我们通过迁移学习、马尔可夫搜索算法和贝叶斯网络，提出针对高分辨率卫星资源的高效任务规划算法。
引用
@article{arxiv.1902.05433,
title = {Predicting Food Security Outcomes Using Convolutional Neural Networks (CNNs) for Satellite Tasking},
author = {Swetava Ganguli and Jared Dunnmon and Darren Hau},
journal= {arXiv preprint arXiv:1902.05433},
year = {2019}
}
备注
Research performed as part of the Sustainability and Artificial Intelligence Laboratory (SAIL) at Stanford University. Second revised version corrects typographical errors and adds a few references