全球卫星图像建筑物检测
利用机器学习的计算机视觉方法可从卫星图像中创建全球范围内的人口地图,该方法精度高,适用于全球部署,能够检测城市化地区,有助于基础设施规划、疫苗接种计划、灾难响应和高精度洪水风险分析等。
Dec, 2017
本文使用 50cm 卫星图像,通过建筑检测模型训练管道,对非洲进行了建筑物检测,包括模型体系结构、损失函数、正则化、预训练、自训练和后处理等方法,取得了较好的性能。
Jul, 2021
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
通过结合 Sentinel-1 的 SAR 数据、Sentinel-2 的光学数据和建筑物轮廓提供的形状数据,本研究建立了一套空间 - 光谱 - 时间特征数据库,提取这些特征并建立了基于随机森林模型的建筑物高度模型,通过模型集成方法和 Lidar 数据的验证,实现了高分辨率建筑物高度数据的快速生成。
May, 2024
使用 Sentinel-2 卫星图像进行建筑物和道路的自动标记,为高分辨率遥感图像的代替提供了可能。学生模型通过训练来复原教师模型的预测结果,虽然没有教师模型那么精细,但建筑物分割中的 mIoU 达到了 78.3%、个别建筑物计数达到 R^2=0.91。新的方法可以利用免费的 Sentinel-2 图像进行以往只能使用高分辨率卫星图像完成的各种任务。
Oct, 2023
利用不同数据集和先进的表示学习模型在遥感图像中对建筑物进行识别和分割的研究表明,通过融合各种数据集,我们扩大了学习资源的范围,在多个数据集上取得了可观的性能。我们的创新联合训练过程在城市规划、灾害管理和环境监测等关键领域展示了我们方法的价值,结合数据集融合技术和预训练模型的方法为建筑物分割任务树立了新的先例。此研究的结果为未来的探索奠定了基础,并显示了在建筑物分割领域中创新应用的潜在前景。
Oct, 2023
提出了一种综合的遥感图像建筑理解模型,具有跨场景泛化和任务普适性,可以同时处理建筑提取和变化检测等两个结构不同的任务,并展现出鲁棒的零样本推广能力。
Mar, 2024
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