SpaceNet 6:多传感器全天候制图数据集
该研究提出了一种基于多模态卫星数据的新型多时相城市制图方法,其中考虑到了部分缺失的光学模态,所提出的模型采用了两个网络来分别提取每个模态的特征,并利用重建网络根据 SAR 数据近似光学特征并保持其数据的有效性。结果表明该方法在使用 SAR 数据以补充缺失光学数据方面的实用性较强,可有效开发和利用多模态数据。
Jun, 2023
通过引入一个大规模的多源、多分辨率和多场景光学 - SAR 图像匹配数据集 (3MOS),我们鼓励设计更通用的多模态图像匹配方法,该数据集包含 155K 光学 - SAR 图像对,包括来自六颗商业卫星的 SAR 数据,分辨率从 1.25m 到 12.5m,并且已经根据城市、农村、平原、山区、水域、沙漠和冻土等八种场景进行了分类。大量实验证明,目前的先进方法在不同来源、分辨率和场景中都无法始终达到卓越的性能。此外,数据的分布对于深度学习模型的匹配能力有重要影响,这提出了光学 - SAR 图像匹配中的领域自适应挑战。我们的数据和代码将在此 https URL 上提供。
Apr, 2024
利用 Copernicus 计划(ESA)的 Sentinel 卫星和 Google Earth Engine 的云计算设施,我们提供一个包括 180,662 个样本的数据集,该数据集由双极化合成孔径雷达(SAR)图像,多光谱 Sentinel-2 图像和 MODIS 地表覆盖映射的三元组组成,拥有 10 m 的地面采样距离,并覆盖所有有人居住的大陆和所有气象季节。期望该数据支持社区开发面向场景分类或地表映射的语义分割等常见任务的深度学习算法。
Jun, 2019
发布 SEN1-2 数据集以促进 SAR - 光学数据融合领域中深度学习研究的发展,该数据集包括来自全球各地和各个气象季节的 282,384 对相应的图像块,并提供了多种应用示例,如 SAR 图像着色、SAR - 光学图像匹配以及从 SAR 输入数据创建模拟光学图像。
Jul, 2018
卫星遥感技术革命性地改变了我们在迅速发展的世界中解决全球挑战的方式。每天都会通过卫星传感器产生大量的地球观测(EO)数据,但是将这些大规模数据集进行处理以供机器学习流程使用在技术和计算方面具有挑战性。尤其是不同类型的 EO 数据通常托管在各种平台上,在 Python 预处理工具的可用性方面存在差异。此外,数据源和数据分割的空间对齐可能对初学者用户构成重大技术障碍。我们引入了 M3LEO,这是一个多模态、多标签的 EO 数据集,包括了来自 Sentinel-1 的极化、干涉和相干 SAR 数据,以及 Sentinel-2 的 RGB 图像和一套用于模型评估的标签任务。M3LEO 跨越 17.5TB,其中包含了来自六个地理区域的约 1000 万数据片段。该数据集由灵活的 PyTorch Lightning 框架支持,并使用 Hydra 进行配置管理。我们提供了一些工具,以便将任何在流行平台(如 Google Earth Engine)上可用的数据集与我们的框架整合。初步实验验证了我们的数据和框架的实用性,显示出 SAR 图像包含了从 RGB 数据中无法提取的信息。数据可在 huggingface.co/M3LEO 获得,代码可在 github.com/spaceml-org/M3LEO 获取。
Jun, 2024
使用合成孔径雷达(SAR)数据进行森林监测,对于解决光学数据的问题并使用机器学习估计森林的光学查找指数(VIs)表现出较好的效果,通过创建多时序和多模态数据集来进行 VI 估计,在时间和空间上与 Sentinel-1、Sentinel-2、DEM、天气和土地覆盖数据集的对齐下取得了较好的结果。
Nov, 2023
使用双分支深度神经网络和切断机制研究城市地图中 SAR 和光学数据的利用,发现传统的 SAR - 光学数据融合方法虽然达到了良好的性能,但光学数据的利用存在明显的不足。因此,需要进一步研究 SAR 和光学数据的更加平衡的利用是否能够提高性能。
Apr, 2023
利用遥感卫星监测和缓解人为气候变化的影响在关键的干预和政策决策方面有着重要作用。合成孔径雷达 (SAR) 提供了一种强大的光学数据替代方案,通过自监督预训练方法在预测植被覆盖和土地分类关键任务上减少了标记数据需求,从而大大推进了气候变化监测的发展。
Oct, 2023
通过构建一个新的数据集,本文针对云遮挡导致的地球影像质量下降问题,提出了一种适用于不同区域、季节和云覆盖度变化的新型云去除模型,并在两个性能指标上进行了评估。
Sep, 2020
该研究提出了一种新的工具 ViSual_IceD,它使用并行编码器级别,将多光谱图像和合成孔径雷达 (SAR) 图像进行融合和连接,以实现极地区域可靠准确的海冰覆盖检测。
Jan, 2024