Nov, 2016

学习高分辨率卫星图像分类的多尺度深度特征

PDF
TL;DR本文提出了一种用于高分辨率卫星图像分类的多尺度深度特征学习方法，该方法使用卷积神经网络（CNN）和空间金字塔池（SPP-net）技术提高了训练效率，并开发了一种多核学习方法以自动学习这些特征的最佳组合，实验表明该方法相对于其他最先进的方法具有更好的性能。
multi-scaledeep feature learningsatellite image classificationconvolutional neural networkspatial pyramid pooling
发现论文，激发创造
  • 深度卷积网络中的空间金字塔池化用于视觉识别

    本研究提出了 SPP-net 结构，通过空间金字塔池化策略，消除了深度卷积神经网络所需的特定输入图像大小的限制，可生成固定长度特征表示，显著提高了基于 CNN 的图像分类和目标检测方法的准确性，ILSVRC 竞赛中名列前茅。

    Jun, 2014

  • 遥感图像无监督深度特征提取分类

    介绍单层和深度卷积网络用于遥感数据分析的应用，使用贪婪层次无监督预训练和高效的无监督特征学习算法提取有稀疏特征，结果表明深度架构比单层架构的分类性能更好。

    Nov, 2015

  • 多模态和多尺度深度网络在地球观测数据的语义分割中的应用

    本文研究了使用深度完全卷积神经网络（DFCNN）对地观测图像进行像素级场景标记。作者使用了变种的 SegNet 架构对城市区域的遥感数据进行训练，并研究了不同的准确语义分割方法。作者提出以下贡献：1）作者有效地将 DFCNN 从常规日常图像转移到遥感图像领域；2）作者引入了一个多核卷积层以便于对多个尺度上的预测进行快速聚合；3）作者使用残差校正对异构传感器（光学和激光）的数据进行融合。所提出的方法在 ISPRS Vaihingen 2D 语义标记数据集上改进了现有技术的准确率。

    Sep, 2016

  • 使用深度卷积神经网络进行卫星图像特征检测: Kaggle 竞赛

    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

  • 用完全卷积网络对高分辨率航空影像进行密集语义标注

    本文介绍了一种应用深度卷积神经网络用于语义标签高分辨率遥感数据的方法，采用了全卷积网络和预训练卷积神经网络在卫星图像识别中得到了较好的应用效果。

    Jun, 2016

  • 基于深度神经网络的建筑轮廓分割多任务学习

    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

  • DeepSat - 卫星影像学习框架

    本研究提供了两个新的卫星数据集 SAT-4 和 SAT-6，以及一个卫星影像分类框架，该框架从输入图像中提取特征，将其标准化并将标准化的特征向量馈入深度置信网络进行分类。与其他算法相比，该方法在两个数据集上均表现优异，能有效地学习更好的卫星影像表现.

    Sep, 2015

  • 用于遥感影像全色增强的多尺度和多深度卷积神经网络

    本研究提出了一种名为 MSDCNN 的多尺度和多深度卷积神经网络用于遥感影像的 pan-sharpening 任务，该网络通过卷积神经网络的多尺度特征提取和残差学习来实现非线性关系的有效建模，实验结果表明，与其他先进方法相比，MSDCNN 可以获得质量更高的图像。

    Dec, 2017

  • 基于 DAG-CNN 的多尺度识别

    使用 DAG-CNN 的多尺度卷积神经网络探索了多尺度特征提取，并在三个场景基准测试中展现了最新的最佳分类性能。

    May, 2015

  • Beyond RGB: 基于多模态深度网络的高分辨率城市遥感技术

    本文研究使用深度完全卷积网络来处理多模态多尺度遥感数据的语义标注，并采用有效的多尺度方法来提高语义标注的精度和深入研究数据的早期和后期融合方法，并在两个公共数据集上验证了我们的方法，表现出令人满意的结果。

    Nov, 2017