Oct, 2019

边缘深度学习：利用卷积神经网络从卫星图像中提取地块边界

PDF
TL;DR本文提出了一种利用卫星图像进行农田边界提取的深度学习方法，将该问题转化为多任务语义分割问题，综合考虑像素属于农田、是否是边界以及距离最近边界的距离等三个标签，从而实现准确、可扩展的农田边界提取，该方法在解决现实农业大规模数据采集问题中具有潜在的应用前景。
digital agricultural servicesfield boundary extractionsemantic segmentationconvolutional neural networkremote sensing
发现论文，激发创造
  • 卫星图像中农田边界分割的多区域迁移学习与有限标签

    通过多区域迁移学习适应目标区域的模型权重，提出了一种用于卫星图像中农田边界分割的方法，在缺乏标记数据的地区，我们的方法优于现有方法，并且多区域迁移学习显著提升了多个模型架构的性能。

    Mar, 2024

  • 利用 U-Net 模型进行卫星图像分割以进行土地覆盖分类

    本研究旨在使用改进的 U-Net 结构的卷积机器学习模型，基于卫星图像创建土地覆盖分类映射，使用 BigEarthNet 卫星图像归档和原始数据集对模型进行训练和测试，结果显示可以提高现有土地分类图的精度和土地覆盖变化检测。

    Mar, 2020

  • 基于深度神经网络的建筑轮廓分割多任务学习

    本文研究了高分辨率遥感卫星图像中像素级预测方法的挑战，提出了一种新的级联多任务损失来保留语义分割边界。结果表明，不需要额外的后处理步骤，我们的方法在 Inria 航空图像标注数据集上优于现有技术 8.3％。

    Sep, 2017

  • 遥感图像语义分割的边界损失

    通过使用一种新的可微分度量替代传统分割损失函数，我们提出了一种新的分割边界检测方法，该方法在监督二进制分割任务中准确地提取出现具有精确定义的多个类的边界，并在 ISPRS 波茨坦、INRIA AIL 等数据集上使用验证，最终的结果表明，该方法提高了 IoU 分数，优于基线方法。

    May, 2019

  • 高产作物田地检测：新数据集与深度学习基准测试结果

    通过使用机器操作结合时间跟踪的 Sentinel-2 图像生成高质量的数据集，并应用半监督分类、监督和自监督深度学习方法自动检测生产性农田，以解决传统手动识别的耗时和错误。结果表明在高置信正样本学习中的高准确性，并在没有完整标注数据集情况下使用对比学习等方法获得最佳性能。

    May, 2023

  • 使用深度学习对遥感影像植被进行语义分割

    本文介绍了一种利用机器学习技术，结合公开遥感数据，使用卷积神经网络模型实现不同类植被的分离的方法，旨在解决处理遥感数据的效率问题。

    Sep, 2022

  • 边缘分类：边界检测改善语义图像分割

    通过结合语义分割和语义感知边缘检测，将类边界显式地融入模型，有效地解决了深网络在学习上下文信息时对高频细节的模糊化问题，从而显著地提高了基于卷积神经网络的语义分割准确度，该方法也在 ISPRS Vaihingen 基准测试中取得了超过 90% 的总体准确率。

    Dec, 2016

  • 使用深度卷积神经网络进行卫星图像特征检测: Kaggle 竞赛

    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

  • 农业精密种植：利用机器学习和 Sentinel-2 卫星图像进行作物映射

    本研究利用来自 Sentinel-2 卫星图像的各种光谱波段组合，采用深度学习和基于像素的机器学习方法，对熏衣草田进行精准农业的精确分割，得出了 Dice 系数为 0.8324 的 U-Net 结构的最终模型，同时，我们的研究还强调了像素方法和红绿蓝光谱波段组合在这一任务中的意外功效。

    Nov, 2023

  • 运用迁移学习实现全球农作物地图

    本文使用卫星数据和深度学习方法，建立一个基于转移学习的农作物类型检测模型，成功地在韩国、法国、西班牙和荷兰等地区对水稻和大麦进行了检测。

    Nov, 2022