Mar, 2020

利用 U-Net 模型进行卫星图像分割以进行土地覆盖分类

PDF
TL;DR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。
发现论文，激发创造
  • EuroSAT：一个用于土地利用和覆盖分类的新数据集和深度学习基准

    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

  • 多光谱、高光谱和高空间分辨率航空影像的深度学习语义分割评估

    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

  • 利用卷积神经网络在全球范围内进行城市区域的高分辨率土地覆盖制图

    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

  • 增强型注意力时空分割用于地物覆盖制图

    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

  • 利用卷积网络和卫星图像在大范围内识别城市环境模式

    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

  • 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

    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

  • 应用卷积神经网络对地面图像进行土地利用分类

    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

  • 生成土地覆盖分类训练数据集以推进全球发展

    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

  • 卷积神经网络在遥感图像土地利用分类中的应用

    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

  • 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