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
本文综述了 400 多个公共数据集,包括土地利用 / 覆盖、变化 / 灾害监测、场景理解、农业、气候变化和天气预报。通过对数据集进行系统分析,我们基于其属性提出了评估标准,并发布了用于评估深度学习方法的新平台 EarthNets,从而弥合了遥感和机器学习社区之间的差距。
Oct, 2022
本研究基于多元时间城市发展卫星数据集 (MUDS),利用计算机视觉技术和时间序列分析方法来跟踪建筑物,评估城市化和人造或自然灾害的进程。
Feb, 2021
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
本文介绍 DeepGlobe 2018 卫星图像理解挑战赛,包括分割、检测和分类任务,旨在提高计算机视觉领域对遥感数据的关注,评估卫星图像理解方法并为未来的研究提供参考基准。
May, 2018
本文介绍了一种基于弱监督学习策略的方法,以处理远程感知特定形式的弱监督数据,并取得高分辨率大规模土地覆盖映射的进展,基于 SEN12MS 数据集进行了讨论和展示了一些基线结果。
Feb, 2020
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
利用 Copernicus 计划(ESA)的 Sentinel 卫星和 Google Earth Engine 的云计算设施,我们提供一个包括 180,662 个样本的数据集,该数据集由双极化合成孔径雷达(SAR)图像,多光谱 Sentinel-2 图像和 MODIS 地表覆盖映射的三元组组成,拥有 10 m 的地面采样距离,并覆盖所有有人居住的大陆和所有气象季节。期望该数据支持社区开发面向场景分类或地表映射的语义分割等常见任务的深度学习算法。
Jun, 2019
本研究旨在通过运用不同的机器学习和深度学习模型将亚马逊雨林的卫星图像碎片进行分类和标记,并通过 F2 度量来评估分类器的准确性和损失函数。经过预训练的 ImageNet 体系结构用于提取特征,最终实现了 0.927 的最佳 F2 得分。
Jan, 2022