Últimos artículos para Sensores remotos

Una nueva herramienta de aprendizaje profundo mejora el monitoreo de ciclos de congelación-descongelación usando datos de satélite.

Este estudio mejora el trabajo en equipo de los UAV para una mejor precisión en la detección 3D remota.

Un nuevo enfoque combina el análisis de olas y la modelización del fondo marino para mejorar el mapeo de profundidades.

Nuevas técnicas mejoran el seguimiento de objetos en imágenes satelitales difíciles.

Nuevos métodos mejoran la claridad de las imágenes de teledetección con técnicas innovadoras.

Descubre el impacto del Detector de Cambios basado en Mamba para rastrear cambios ambientales.

Open-Canopy proporciona datos de alta resolución para estimar la altura del dosel en Francia.

Nuevos métodos mejoran la detección de cambios en imágenes de satélite a lo largo del tiempo.

Presentamos MUFormer para mejorar el desmezcla de imágenes hiperespectrales a lo largo del tiempo.

Un nuevo modelo redefine la planificación urbana sin depender de imágenes emparejadas.

Un estudio sobre cómo mejorar el mapeo de cultivos usando imágenes satelitales avanzadas y aprendizaje automático.

GraphMamba mejora la eficiencia y precisión en el procesamiento de imágenes hiperespectrales.

Presentando MutDet, un método que mejora la detección de objetos en imágenes de teledetección complejas.

Un nuevo método mejora la precisión de la detección de cambios en imágenes SAR.

Los investigadores usan aprendizaje automático para mejorar la detección de olas internas solitarias en datos del océano.

Una mirada a los métodos para mejorar la calidad de imagen afectada por la neblina.

Un nuevo marco mejora la precisión del análisis de imágenes hiperespectrales.

El marco X-Fake mejora la calidad de las imágenes SAR simuladas para mejores aplicaciones de deep learning.

Nuevas técnicas mejoran la estimación de profundidad en condiciones difíciles usando LiDAR de un solo fotón.

Los investigadores desarrollan nuevos métodos para mejorar la precisión de los modelos a pesar de la falta de datos de sensores.

Un enfoque innovador para mejorar la calidad de imagen en la transmisión de datos satelitales.

Un nuevo modelo mejora las predicciones del tiempo usando datos de satélites y aprendizaje automático.

MorpMamba mejora la eficiencia y precisión de la imagenología hiperespectral a través de la integración de modelos innovadores.

Un nuevo modelo mejora la monitorización de la Tierra mediante datos integrados de satélites y del clima.

Descubre cómo LiDAR y las imágenes aéreas miden la altura de los objetos de manera efectiva.

MHSSMamba mejora la precisión en el procesamiento y clasificación de imágenes hiperspectrales.

Presentamos A-DLISTA y VLISTA para un procesamiento de señales avanzado.

HAMSTER ofrece información detallada sobre cómo las superficies reflejan la luz solar en diferentes longitudes de onda.

Un nuevo método mejora la clasificación del uso del suelo en imágenes satelitales.

Nuevos métodos mejoran la detección de anomalías en entornos diversos usando imágenes hiperespectrales.

Un enfoque de aprendizaje automático para estimar la altura de las copas de los árboles de manera eficiente.

La misión CubeSat busca capturar nubes de ceniza volcánica para una mejor monitorización.

Fusionar mapas de teledetección con datos de verdad terrestre mejora la precisión en las evaluaciones ambientales.

Este documento detalla un plan para la integración de IA en la tecnología de satélites.

U-KAN mejora la segmentación de campos de cultivos usando técnicas avanzadas de aprendizaje profundo.

Un nuevo conjunto de datos mejora las aplicaciones de aprendizaje automático en la imagen hiperespectral.

HAPNet combina datos hiperespectrales y SAR para mejorar la clasificación de la cobertura del suelo.

Este nuevo conjunto de datos sigue los cambios en el tamaño de los lagos cada dos años en todo el mundo.

MSFMamba mejora la precisión de clasificación al combinar datos hiperespectrales, LiDAR y SAR.

La IA mejora la detección y el seguimiento de los duna barchan interactivas en la Tierra y Marte.