Cloud-Net:一种适用于 Landsat 8 影像的端到端云检测算法
本论文描述了一种使用 FCN 进行半监督学习的方法,通过预训练分类层和 MPLCMASK 云层算法的云位置以及手动标记的云位置,用于分割激光雷达图像中的云的几何高度和时间位置,并展示与云层算法实现相比较高的云识别水平。
May, 2018
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
利用高分辨率静止卫星观测的光谱信息,设计了基于知识驱动数据驱动(KBDD)框架的全天云类型识别系统 CldNet,具有高准确率和较小参数量,可在许多气候评估领域提供高保真、全天候、时空云类型数据库。
Dec, 2023
本研究基于 nnU-Nets 架构进行云检测,使用知识蒸馏方法压缩到更小的 U-Net 网络,实验结果在 Sentinel-2 和 Landsat-8 卫星图像上达到了 0.882 的 Jaccard 指数,尽管规模几乎缩小了 280 倍。
Jun, 2023
本文提出了一种名为多尺度卷积特征融合 (MSCFF) 的基于深度学习的云检测方法,使用对称编码器 - 解码器模块提取多尺度和高级别空间特征,然后设计了一种多尺度特征融合模块,将不同尺度的特征合并,并获得了比传统基于规则的云检测方法和最先进的深度学习模型更高的精度,尤其在覆盖明亮表面区域上。
Oct, 2018
本研究探讨了利用卷积长短时记忆网络进行植被分类的云覆盖鲁棒性,包括可视化内部细胞激活和对不同云覆盖数据集进行消融实验,结果表明网络内部已经自动学习了云过滤机制,进一步证明了多时间深度学习方法的预处理流程的必要性存在疑问。
Oct, 2018
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
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
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
本文探讨了最新的卷积神经网络(CNNs),用于高光谱卫星上的云检测。评估了最新的 1D CNN(1D-Justo-LiuNet)和两个最近的 2D CNNs(nnU-net 和 2D-Justo-UNet-Simple)在云分割和分类方面的性能,包括轨道中部署的精度和计算效率。实验使用了 NASA 的 EO-1 Hyperion 数据,并通过主成分分析获得不同的光谱通道数。结果表明,1D-Justo-LiuNet 在精度上达到了最高水平,在维持较大光谱通道集合的紧凑性的同时,胜过了 2D CNNs,尽管推理时间有所增加。然而,在光谱通道减少的情况下,1D CNN 的性能会下降。在这种情况下,2D-Justo-UNet-Simple 在轨道中部署时提供了最佳的平衡,考虑到精度、内存和时间成本。尽管 nnU-net 适用于地面处理,但推荐在高精度应用中部署轻量级的 1D-Justo-LiuNet。或者,推荐在轨道上在时间和精度之间取得平衡的轻量级 2D-Justo-UNet-Simple。
Mar, 2024