DeepGlobe 2018:通过卫星图像解析地球的挑战
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
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
利用地球成像卫星阵列进行快速更新基础地图的先进机器学习技术,结合 SpaceNet 的图像标签与公共奖项竞赛加速影像判读自动化的建筑与道路网络提取,以解决人工标记不足的问题。
Jul, 2018
该研究以卫星姿态估计数据集为基础,对基于单目视觉的方法进行分析,在对 48 名参赛者分析竞赛表现的基础上,探讨了卫星姿态估计问题的挑战和改进方向。
Nov, 2019
通过预测与未来天气相关的卫星图像,借助大规模数据集和深度神经网络模型进行天气预测,从而有助于农作物产量预测、森林健康评估或生物多样性监测等下游应用。
Apr, 2021
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
我们提供了一个全球范围、高质量、多样性广泛、描述详细的图像 - 文本数据集 ChatEarthNet,其中包含由 ChatGPT-3.5 生成的 163,488 个图像 - 文本对及额外的由 ChatGPT-4V 生成的 10,000 个图像 - 文本对,这对于远程感知的视觉语言基础模型的训练和大型视觉语言模型的评估具有重要潜力,并将供公众使用。
Feb, 2024
本研究致力于解决遥感图像 open-set 场景下的语义分割技术的问题,开发出一种新的方法,并对其进行了评估,得出了与封闭集方法相同数据集相比具有竞争力的结果
Jan, 2020
对云的分割从遥感图像进行了七种切割和检测算法的基准分析,评估了其架构方法,并确定了最佳性能。评估了模型在使用少量光谱波段进行云图分割时的灵活性。使用 Sentinel-2 和 Landsat-8 作为数据集进行了实验验证。
Feb, 2024