利用卷积网络和卫星图像在大范围内识别城市环境模式
通过使用深度卷积神经网络分类空间分辨率非常高(VHR)、正射成像的可见光多光谱图像,本论文探索了自动土地利用 / 土地覆盖(LULC)分类的潜力
May, 2019
使用 Flickr 上的地面图像和深度学习方法进行土地利用地图绘制,并针对地理位置和室内 / 室外进行筛选和半监督数据增强,从而最终实现了 76% 的准确性。
Sep, 2016
本文介绍了一种利用多模态数据和深度学习方法的城市地块级别自动土地利用变更监测模型,并在法国区域和城市的测试中取得了很好的效果。
May, 2019
从高分辨率图像和有限的带噪声标记数据中生成城市区域的七类土地覆盖图的方法,使用 UNet、Resnet 编码器的 UNet 和 Deeplab v3 + 编码器,结合不同的损失函数进行比较研究,并将模型预测拼接在一起生成高价值的土地覆盖图。
May, 2020
本研究旨在探讨使用卷积神经网络对遥感场景进行语义分类的方法,通过采用 CaffeNet 和 GoogLeNet 架构,并进行多种不同的学习方式包括预训练网络的微调等,实验结果表明该方法在两个遥感数据集的性能表现都显著优于同类方法。
Aug, 2015
使用地球观测和深度学习方法,该论文旨在充分利用完全卷积神经网络来实现多类建筑物实例分割,以实现相对较高的像素度量分数,进而在缺乏适当城市规划的地区实现密集区域和贫民窟地区的高准确性结果,并以黎巴嫩为案例,成功产生了首个包含约 100 万个单位且准确率达 84% 的综合性国家建筑物足迹地图。
Apr, 2024
本文提出了一种基于卷积神经网络分类个别建筑物功能的方法,该方法利用了遥感图像和街景图像,使用开源地图系统来获取地理信息,并利用创建的基准数据集在加拿大和美国的多个城市进行训练和评估。
Feb, 2018
这篇论文通过比较卷积神经网络和基于 transformer 的方法,探讨了在土地覆盖分类分析领域中,使用深度学习模型提高准确性和效率的最新进展。作者通过使用基于 Sentinel-2 卫星图像的 EuroSAT 数据集,证明了当前 transformer 模型在该领域取得了最先进的结果。
Jan, 2024