利用遥感技术和深度卷积神经网络,分析大规模卫星图像数据中的城市土地利用模式,并提供数据集以供遥感应用的机器学习研究人员使用。
Apr, 2017
使用 Flickr 上的地面图像和深度学习方法进行土地利用地图绘制,并针对地理位置和室内 / 室外进行筛选和半监督数据增强,从而最终实现了 76% 的准确性。
Sep, 2016
本文介绍了一种利用多模态数据和深度学习方法的城市地块级别自动土地利用变更监测模型,并在法国区域和城市的测试中取得了很好的效果。
May, 2019
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
这篇论文通过比较卷积神经网络和基于 transformer 的方法,探讨了在土地覆盖分类分析领域中,使用深度学习模型提高准确性和效率的最新进展。作者通过使用基于 Sentinel-2 卫星图像的 EuroSAT 数据集,证明了当前 transformer 模型在该领域取得了最先进的结果。
Jan, 2024
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
该研究使用深度学习语义分割方法,在多光谱、高光谱和高空间分辨率的航拍图像数据集上进行了土地覆盖分类,其中 LinkNet 模型在所有数据集中获得了高 IoU 准确率 0.92,评估结果显示多光谱图像在 IoU 和 F1 得分上表现更佳,展示了 LinkNet 和多光谱图像在土地覆盖分类上的高效性和广泛适用性。
Jun, 2024
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。
Jul, 2018
通过应用轻量级卷积神经网络,将多源数据进行分类与分析,可以更有效地实现局部土地利用管理和生态系统保护,促进可持续发展目标的实现。
Jan, 2022
通过自我监督方法和深度学习,在没有高质量地面真实标签的情况下,可实现对高分辨率土地利用 / 土地覆盖变化图的自动标注,准确率达到约 52%。
Oct, 2023