Jul, 2018

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

PDF
TL;DR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。
remote sensingland-cover mappingdeep neural networksfine-tuningpixel-wise classification
发现论文，激发创造
  • 一种远程感知场景分类的分层方法

    使用层级方法设计的卷积神经网络框架在遥感场景分类中表现良好，但叠加结构中的分类错误累积阻碍了其分类性能超越非层级深层模型。

    Mar, 2021

  • 利用深度学习技术进行土地利用和土地覆盖分类

    通过使用深度卷积神经网络分类空间分辨率非常高（VHR）、正射成像的可见光多光谱图像，本论文探索了自动土地利用 / 土地覆盖（LULC）分类的潜力

    May, 2019

  • 用完全卷积网络对高分辨率航空影像进行密集语义标注

    本文介绍了一种应用深度卷积神经网络用于语义标签高分辨率遥感数据的方法，采用了全卷积网络和预训练卷积神经网络在卫星图像识别中得到了较好的应用效果。

    Jun, 2016

  • 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

  • AutoLC: 遥感影像地表覆盖分类的轻量、高性能架构搜索

    本文提出了一种名为 AutoLC 的方法，它将手动设计的 CNN 和自动设计的 CNN 的优点相结合，采用分层搜索空间和轻量级编码器策略，成功地解决了高分辨率遥感图像的土地覆盖分类问题，并在实验中取得了比其他方法更好的效果。

    May, 2022

  • 卷积神经网络在遥感图像土地利用分类中的应用

    本研究旨在探讨使用卷积神经网络对遥感场景进行语义分类的方法，通过采用 CaffeNet 和 GoogLeNet 架构，并进行多种不同的学习方式包括预训练网络的微调等，实验结果表明该方法在两个遥感数据集的性能表现都显著优于同类方法。

    Aug, 2015

  • 利用卷积神经网络在全球范围内进行城市区域的高分辨率土地覆盖制图

    从高分辨率图像和有限的带噪声标记数据中生成城市区域的七类土地覆盖图的方法，使用 UNet、Resnet 编码器的 UNet 和 Deeplab v3 + 编码器，结合不同的损失函数进行比较研究，并将模型预测拼接在一起生成高价值的土地覆盖图。

    May, 2020

  • 无准确指导的学习：从低分辨率的历史标签更新大规模高分辨率土地覆盖地图

    我们提出了一种高效的弱监督框架 Paraformer（即 L2HNet V2），用于通过低分辨率的历史地表覆盖数据指导大规模高分辨率土地覆盖图绘制。Paraformer 采用平行的 CNN-Transformer 特征提取器，同时捕捉局部和全局上下文信息，并采用伪标签辅助训练模块对弱监督情景下的高分辨率图像进行语义分割。实验证明 Paraformer 在 LR 历史标签的自动更新高分辨率土地覆盖图方面优于其他最先进的方法。

    Mar, 2024

  • 基于迁移学习和注意力机制的深度神经网络遥感图像分类

    本文旨在探讨如何使用深度学习技术完成遥感图片情景分类任务。通过对不同深度神经网络预训练模型和多头注意力机制进行评估，提出了一种基于深度学习的架构，并在 NWPU-RESISC45 数据集上取得了 94.7% 的准确率。

    Jun, 2022

  • Hi-ResNet：高分辨率遥感图像语义分割网络

    本研究提出了一个高分辨率遥感图像网络模型，可解决同类别地物在不同地理环境下形态和比例显著不同，以及复杂背景噪声干扰下影响现有学习算法效果的问题。该模型包含漏斗模型、信息聚合模块、特征精炼模块和 CEA Loss 损失函数，并通过有效的预处理策略，在三个高分辨率遥感图像分割基准数据集上取得了优异表现。

    May, 2023