提出了一种基于完全卷积神经网络的自动多类土地分割方法,该网络具有良好的准确性和中等的内存使用率,可用于解决城市规划、环境工程或自然景观监测等问题。
Jun, 2018
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
本文提出了一种名为 DDCM-Net 的新架构,该架构通过合并密集膨胀卷积和不同膨胀率,有效地利用了丰富的膨胀卷积组合,同时获取局部和全局的信息,提高了远程遥感图像的分类准确度,并在多个数据集上得到了比其他公开模型更好的结果。
Mar, 2020
本文提出了一种用于无人机 LiDAR 点云分类的方向约束全卷积神经网络模型(D-FCN),该模型利用方向约束点卷积模块和多尺度卷积神经网络实现了点云的语义标记,取得了 70.7% 的平均 F1 得分和大幅提高了点数较少目标(如电线、汽车和立面)的分类性能。
Aug, 2019
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
使用深度学习方法结合 LIDAR 和相机图像,开发了一种道路检测方法,通过使用多模式信息,新提出的交叉融合 FCN 实现了更高的准确性,表现优异并跻身最佳方法之列。
Sep, 2018
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
本文提出了一种名为 MSDF-Net 的轻量级 ConvNet,采用残留稠密双工融合策略加强特征传播,同时最小化使用参数的数量,通过出图表现显示,MSDF-Net 在 AID 数据集上仅使用 0.49M 参数,就能实现高达 92.96% 的准确性,相较于最近的最先进方法仅使用了 20% 的参数。
Mar, 2022
通过与 Sentinel-2 图像相结合,将从高分辨率 Google 图像提取的地面对象先验融合在一起,从而提出了一个用于地表气候分区 (LCZs) 分类的数据融合方法。
Mar, 2024
提出了一种名为 SegLand 的广义少样本分割框架,用于在高分辨率土地覆盖映射中更新新颖类别,实验表明该框架在有限标记数据下自动更新新颖土地覆盖类别方面具有优越性。
Apr, 2024