利用 U-Net 模型进行卫星图像分割以进行土地覆盖分类
本文介绍一种针对 Sentinel-2 卫星图像进行土地利用和土地覆盖分类的方法,提供了一个包含 13 个光谱波段及 10 类共 27,000 个标记和地理参考图像的新数据集,并使用最先进的深度卷积神经网络提供了基准测试。通过这一分类系统,可以用于检测土地利用和土地覆盖的变化,并帮助改进地理地图。
Aug, 2017
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
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
本文介绍一种基于 UNet 结构,与双向 LSTM 和 Attention 机制相结合的创新架构,旨在共同利用卫星数据的时空性质,更好地识别各种土地覆盖的独特时间模式, 并将其用于全球多个地区的作物测绘。实验结果表明,该方法能够缓解噪声和识别区分性时间段的有效性,并与其他最先进的方法在两个实际数据集上进行定量和定性比较。
May, 2021
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。
Oct, 2019
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
使用 Sentinel-2 卫星数据和 Random Forests 算法的语义分割技术可用于高精度地图绘制,为农业和经济发展提供一种可行技术。
Nov, 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