-
日期: 2025-08-01 | 来源: 量子位 | 有0人参与评论 | 专栏: 谷歌 | 字体: 小 中 大
在数据处理上，AEF实现了多源信息的深度融合。
它能接收光学卫星、雷达、激光雷达、气候数据甚至地理文本等10多种输入，打破了数据类型的壁垒。通过统一的编码方式将这些不同类型、不同分辨率的数据转化为可兼容的特征。
例如，光学图像的植被颜色、雷达的地表结构信息、气象站的温度数据，都会被整合到同一个嵌入向量中，这个向量仅64字节。
模型的训练机制也颇具特色。它采用师生模型和对比学习策略。同时，引入文本对齐训练，将地理文本描述与对应区域的嵌入向量关联，进一步丰富特征的语义信息。
最终，AEF生成的嵌入场以10x10米方格形式精确分析地球陆地和沿海水域，同时为每个方格创建高度紧凑摘要，存储空间需求仅为其他AI系统的十六分之一，降低了分析成本。
并且这些嵌入向量无需重新训练就可直接用于各类映射任务，无论是土地覆盖分类、农作物识别还是森林变化检测，都能通过简单的迁移学习实现高精度结果。
卓越性能与传统方法和其他AI测绘系统相比，AEF在不同时间段执行多种任务时，包括识别土地利用和估算地表属性等，始终保持最高准确性。
例如在某土地覆盖分类任务中，AEF的平衡准确率达0.82，而次优模型仅0.69。
AEF尤其在标签数据稀缺场景下表现出色，平均错误率比测试模型低24%，展现出卓越的学习效率。
- 新闻来源于其它媒体，内容不代表本站立场！
-
原文链接
原文链接:
目前还没有人发表评论, 大家都在期待您的高见