Jul, 2017

利用深度特征实现遥感图像检索：系统性研究

PDF
TL;DR本篇论文综合研究了遥感图像检索中的特征提取、相似度度量和相关反馈三个核心问题，并提出使用深度学习方法解决特征提取问题，对可能影响深度特征性能的相关因素进行了系统调查，并在公共数据集上获得了显著的检索结果。
remote sensingimage retrievalfeature extractiondeep learninghrrs
发现论文，激发创造
  • 利用地理空间基础模型的多光谱遥感图像检索

    使用地理空间基础模型 Prithvi 进行遥感图像检索，在多光谱卫星数据上取得了出色的性能，提出了三种压缩方法，能够在保持浮点数嵌入精度的同时实现 32 倍的压缩比，而且与更短哈希码的检索速度相匹配。

    Mar, 2024

  • 使用可转移深度模型进行高分辨率遥感影像土地覆盖分类

    本文提出了一种利用深度神经网络对高分辨率遥感图像进行无监督地物分类的方案，通过未标记遥感图像进行伪标注和样本选择来提高模型的转移性，并通过细化预先训练好的模型，组合分块分类和分层分割实现像素级地物分类。

    Jul, 2018

  • 互信息和最陡上升策略的特征选择智能算法

    本文设计了一个基于互信息的算法，与最陡上升算法相结合，以提高对 HSI 分类有用的相关波段的对称不确定性系数策略的特征选择工具和包装器策略，以控制冗余和提高对人工智能的理解和适应。

    Oct, 2022

  • 基于深度特征的遥感与贫困测绘迁移学习

    通过机器学习从高分辨率遥感图像中提取大规模社会经济指标，以辅助政策决策和人道主义救助，特别是在发展中国家等缺乏可靠数据的地区。

    Oct, 2015

  • 增强的多级特征用于非常高分辨率遥感场景分类

    本文介绍了一种利用增强型 VHR 注意力模块、压缩空间金字塔和全局平均池化等技术的深度学习方法，对于经常出现的类别干扰问题，本文方法能够提供更加稳健的分类性能，可以用于非常高分辨率遥感场景分类任务。实验证明，该方法在两个常用的 VHR 遥感数据集上能够达到很好的分类效果。

    May, 2023

  • Color out of space: 为地球观测影像学习自监督表示

    该研究旨在通过利用高维光谱波段重新构建可见颜色，从卫星图像中学习有意义的表示，以进行地表覆盖分类和航空监测等深度学习技术的研究。

    Jun, 2020

  • 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

  • 遥感图像分类的三维深度学习方法

    探索深度学习用于遥感数据处理，特别针对光谱和空间上的挑战，提出新的三维深度学习方法来联合处理，实验结果表明其比现有方法具有更好的分类准确率和更低的计算成本。

    Jun, 2018

  • PatternNet: 用于遥感图像检索性能评估的基准数据集

    本研究提供了一种新型用于遥感图像检索 (RSIR) 的大规模数据集称为 PatternNet, 同时对传统的手工特征方法和近期的深度学习方法进行了全面评估，以建立 PatternNet 基准测试结果作为未来遥感数据检索算法研究的基础。

    Jun, 2017

  • 遥感图像超分辨率的高级特征提取模块

    提出了一种名为 Channel and Spatial Attention Feature Extraction (CSA-FE) 的高级特征提取模块，通过使用通道和空间注意力结合标准视觉变换器 (ViT)，有效提取特征；在 UCMerced 数据集上进行了训练，实验证明我们的方法可以使模型专注于包含高频信息的特定通道和空间位置，从而提高超分辨率图像的质量，并且相较于现有模型，我们的模型表现出更优秀的性能。

    May, 2024