多光谱图像监督分类性能
本文介绍了 SEN12MS 数据集的分类转换及使用该数据集对不同模型和数据类型进行测试后,证明多光谱和多传感器数据融合对遥感图像分类的好处。
Apr, 2021
该论文主要介绍了如何通过统计学习等方法,解决高光谱图像在分类方面所面临的信号处理问题,包括空间同质性、半监督学习中的曲面结构,不变性提取与编码等技术,同时给出了实例展示如何进行遥感图像分类。
Oct, 2013
本文综述和比较了最近发表在文献中的基于机器学习的高光谱图像分析方法,将方法按图像分析任务和机器学习算法类型进行组织,并提出了一种两向映射。文章全面涵盖了高光谱图像分析任务和机器学习算法,涵盖的图像分析任务包括土地覆盖分类、目标检测、反混合和物理参数估计,涵盖的机器学习算法包括高斯模型、线性回归、逻辑回归、支持向量机、混合高斯模型、稀疏线性模型、高斯混合模型、集成学习、有向图模型、无向图模型、聚类、高斯过程、狄利克雷过程和深度学习。同时,文章也讨论了高光谱图像分析领域的挑战和可能的未来方向。
Feb, 2018
本研究致力于解决遥感图像 open-set 场景下的语义分割技术的问题,开发出一种新的方法,并对其进行了评估,得出了与封闭集方法相同数据集相比具有竞争力的结果
Jan, 2020
通过自监督学习机制,利用未标记的大规模遥感图像数据进行预训练,提高了远程传感器图像场景分类任务的性能,与传统的以 Imagenet 为代表的方法相比表现更佳。同时,研究了多个影响自监督学习的因素,这些研究成果对遥感领域中 SSL 技术的发展具有积极意义,有望提高大规模遥感图像处理的效率。
Oct, 2020
本文综述了基于深度学习的高光谱影像分类方法,并比较了几种解决方案。该框架将相关工作分为光谱特征网络、空间特征网络和光谱空间特征网络三部分,最后,基于实际高光谱数据验证了几种典型的深度学习分类算法。
Oct, 2019
远程感知影像的实时语义分割是一个具有挑战性的任务,需要在效果和效率之间进行权衡。本论文总结了设计高效深度神经网络的基本压缩方法,并对远程感知影像的实时语义分割的最新发展进行了简要而全面的调查。实验结果表明,现有的大多数高效深度神经网络都具有良好的分割质量,但它们存在推理速度低(即高延迟率)的问题,可能限制了它们在实时应用中的部署能力。我们对远程感知影像实时语义分割的当前趋势和未来研究方向提供了一些见解。
Sep, 2023
本文系统地介绍了 160 多篇文献中深度学习在遥感图像场景分类中的应用,包括自编码器、卷积神经网络和生成对抗网络等方面,总结了在三个常用数据集上的代表性算法的性能以及未来的研究前景。
May, 2020