SEN1-2 数据集用于合成孔径雷达光学数据深度学习
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
本文介绍了 SARptical 数据集,它是一个包含超过 10000 对对应 TerraSAR-X 高分辨率聚光成像和航空 UltraCAM 光学图像的 SAR 和光学图像裂片的数据集。该数据集为多感知数据分析提供了新机遇,包括在 SAR 和光学图像域中分析成像对象的几何形状、材料和其他属性,以及通过深度学习进行 SAR 和光学图像匹配等更高级的应用。
Jan, 2018
本文提出了一个开放的多模式全天候映射数据集和挑战,包括光学和 SAR 数据,以及建筑物足迹标注,用于探索 SAR 数据在灾害响应和建筑物足迹提取方面的应用效果,发现使用光学预处理的 SAR 数据在建筑物足迹提取中取得了更好的效果。
Apr, 2020
通过引入一个大规模的多源、多分辨率和多场景光学 - SAR 图像匹配数据集 (3MOS),我们鼓励设计更通用的多模态图像匹配方法,该数据集包含 155K 光学 - SAR 图像对,包括来自六颗商业卫星的 SAR 数据,分辨率从 1.25m 到 12.5m,并且已经根据城市、农村、平原、山区、水域、沙漠和冻土等八种场景进行了分类。大量实验证明,目前的先进方法在不同来源、分辨率和场景中都无法始终达到卓越的性能。此外,数据的分布对于深度学习模型的匹配能力有重要影响,这提出了光学 - SAR 图像匹配中的领域自适应挑战。我们的数据和代码将在此 https URL 上提供。
Apr, 2024
本文介绍了 SEN12MS 数据集的分类转换及使用该数据集对不同模型和数据类型进行测试后,证明多光谱和多传感器数据融合对遥感图像分类的好处。
Apr, 2021
通过在 Google Earth Engine 平台上实施监督机器学习算法,将 Sentinel-1(S-1)和 Sentinel-2(S-2)数据集成,以用于特定区域的地表分类。结果表明,在这种情况下,雷达和光学遥感提供互补信息,有利于地表覆盖分类,从而提高了映射的准确性。此外,本文还证明了 GEE 作为一种处理大量卫星数据的有效云端工具的新兴作用。
Aug, 2023
本研究介绍了一个大规模的合成孔径雷达 (SAR) 机场数据集,旨在为 SAR 图像中机场检测研究提供基准数据,并通过多种深度学习方法的实验验证了数据集的有效性。
Apr, 2022
使用双分支深度神经网络和切断机制研究城市地图中 SAR 和光学数据的利用,发现传统的 SAR - 光学数据融合方法虽然达到了良好的性能,但光学数据的利用存在明显的不足。因此,需要进一步研究 SAR 和光学数据的更加平衡的利用是否能够提高性能。
Apr, 2023
利用合成孔径雷达和光学图像融合能够显著提高农作物分类的准确性,但是传统方法在处理少数类别农作物的训练数据方面仍存在限制。本研究中,我们探索了条件表生成对抗网络(CTGAN)作为一种基于深度学习网络的合成数据生成方法,以解决农作物分类中少数类别训练数据有限的挑战。研究结果表明,该方法可以生成高质量的合成数据,显著增加少数类别样本数量,从而提高农作物分类器的性能。
Feb, 2024
通过研究大规模预训练图像生成模型在非可见光领域的应用,特别以合成孔径雷达(SAR)数据为案例研究,提出了一种 2 阶段低秩自适应方法(2LoRA)和改良版本原型 LoRA(pLoRA),以生成 SAR 数据并在 SAR 分类和分割模型的训练过程中取得显著的改进效果。
Nov, 2023