DeepSat - 卫星影像学习框架
本文讲述了我们在 Kaggle 组织的 DSTL 卫星图像特征检测挑战中的方法,基于卷积神经网络(FCN)改进实现多谱段数据处理,通过修改目标函数、全局训练流程和应用数据增强策略以及反射率指数等,最终在 419 个团队中获得了第三名,精度可与前两名媲美。与其它获胜方案不同的是,我们的解决方案不依赖于复杂的集成技术,因此可以轻松扩展用于生产中的自动特征标注系统的卫星图像分析中。
Jun, 2017
本文介绍 DeepGlobe 2018 卫星图像理解挑战赛,包括分割、检测和分类任务,旨在提高计算机视觉领域对遥感数据的关注,评估卫星图像理解方法并为未来的研究提供参考基准。
May, 2018
本文介绍一种针对 Sentinel-2 卫星图像进行土地利用和土地覆盖分类的方法,提供了一个包含 13 个光谱波段及 10 类共 27,000 个标记和地理参考图像的新数据集,并使用最先进的深度卷积神经网络提供了基准测试。通过这一分类系统,可以用于检测土地利用和土地覆盖的变化,并帮助改进地理地图。
Aug, 2017
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
本研究旨在建立卫星遥感图像分类的基准数据集(SATIN),以对广泛范围的视觉语言(VL)模型的零 - shot 传输分类能力进行全面评估,并发现 SATIN 是一个具有挑战性的基准数据集。该数据集涵盖了来自 27 个现有遥感数据集的元数据,并在分类准确率方面取得了 52.0% 的最高性能。
Apr, 2023
本文提出了一种新的方法来解决缺乏标注训练数据在卫星图像的细粒度解释方面的难题,通过将地理参考维基百科文章与其对应位置的卫星图像配对构建名为 WikiSatNet 的新型数据集,并提出了两种学习卫星图像表示的策略。在最新发布的 fMoW 数据集上,本文的预训练策略可以将在 ImageNet 预训练的模型的 F1 分数提高 4.5%。
May, 2019
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
利用卫星集群上的半监督学习,以温度和有限的电源预算为基础,对神经网络进行基准测试,我们展示了在最新卫星硬件上进行机器学习模型的训练,以节省通信和操作成本,同时评估了采用分散和联邦学习方法的任务场景,并在一天的任务时间内,实现了高精度(欧洲卫星 RGB 数据集约为 91%)的收敛。
May, 2023
本文研究了高分辨率遥感卫星图像中像素级预测方法的挑战,提出了一种新的级联多任务损失来保留语义分割边界。结果表明,不需要额外的后处理步骤,我们的方法在 Inria 航空图像标注数据集上优于现有技术 8.3%。
Sep, 2017