IJCAIMay, 2019

使用维基百科学习全球卫星图像的解释

PDF
TL;DR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%。
computer visionsatellite imagesdataset constructionmulti-modal learningpre-training strategies
发现论文，激发创造
  • 大规模弱监督学习用于卫星图像中的道路提取

    使用深度学习从卫星图像中自动提取道路是传统手动制图的可行替代方案，本文提出了利用 OpenStreetMap 道路数据作为弱标签和大规模卫星图像进行预训练语义分割模型的方法，并且利用大规模预训练使模型具有更好的泛化能力。

    Sep, 2023

  • DeepSat - 卫星影像学习框架

    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

  • 学习将几乎任何事物映射

    通过交叉模态蒸馏策略，从俯瞰图像中学习预测细粒度地物属性的分布，以实现精细化的土地覆盖估计，结果可应用于地图绘制和图像定位。

    Sep, 2019

  • Sat2Cap：从卫星图像映射细粒度文本描述

    我们提出了一种新的弱监督方法来使用自由形式的文本描述（或标题）创建地图，我们将这种新的工作称为零样本映射。我们的实验结果证明，我们的模型成功捕捉到了细粒度概念并有效地适应时间变化。

    Jul, 2023

  • 卫星图像弱监督语义分割用于土地覆盖制图 -- 挑战和机遇

    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

  • Color out of space: 为地球观测影像学习自监督表示

    该研究旨在通过利用高维光谱波段重新构建可见颜色，从卫星图像中学习有意义的表示，以进行地表覆盖分类和航空监测等深度学习技术的研究。

    Jun, 2020

  • 利用全球卫星图像进行机器学习的通用且易于实现的方法

    使用卫星图像与机器学习相结合，可以远程估计数据贫乏地区的社会经济和环境条件，而这种方法可能会受到资源需求的限制。该研究表明，一种单一的卫星图像编码可以概括各种预测任务的要求，如林地覆盖、房价和道路长度。该方法不仅能够在成本低的情况下达到与深度神经网络相同的准确率，而且同时具有全球扩展性、标签分辨率和不确定性特性，因此实现成果共享。

    Oct, 2020

  • DeepGlobe 2018：通过卫星图像解析地球的挑战

    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

  • 卫星图像语义分割的主动标签细化

    通过卫星图像的语义分割进行遥感技术研究，有利于了解和利用地球表面。本文提出一种低成本的标记方法，通过众包或预训练网络标记图像，并利用主动学习策略在第二步精细化标注图像。实验结果表明，对语义分割网络进行主动标注精化能够提高性能。

    Sep, 2023

  • ChatEarthNet: 用于遥感的全球规模高质量图像 - 文本数据集

    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