卫星图像开放集地表覆盖分类的代表性辨别学习

ECCVJul, 2020

卫星图像开放集地表覆盖分类的代表性辨别学习

Representative-Discriminative Learning for Open-set Land Cover Classification of Satellite Imagery

Razieh Kaviani Baghbaderani, Ying Qu, Hairong Qi, Craig Stutts

TL;DR本文提出了一种代表性 - 区分性开放集识别 (RDOSR) 框架，通过从原始图像空间到嵌入特征空间的映射，以及进一步转换到所谓的丰度空间，增强了数据的代表性和区分性能力，解决卫星影像地表覆盖分类的开放集识别问题，并在多个卫星基准测试上证明了该方法的有效性。

Abstract

land cover classification of satellite imagery is an important step toward analyzing the Earth's surface. Existing models assume a closed-set setting where both the training and testing classes belong to the same

land cover classification satellite imagery open-set classification representative-discriminative open-set recognition abundance space

发现论文，激发创造

开放集图像识别综述

本文总结了最新的开放式图像识别方法的发展，主要包括了基于深度神经网络的方法在粗粒度和细粒度数据集上的性能比较以及对比分析，同时讨论了该领域的若干开放问题和未来可能的研究方向。

Dec, 2023

面向航空图像的开放式语义分割

本研究致力于解决遥感图像 open-set 场景下的语义分割技术的问题，开发出一种新的方法，并对其进行了评估，得出了与封闭集方法相同数据集相比具有竞争力的结果

Jan, 2020

更好地了解自己：多样的判别特征学习改善开放式识别

我们通过对开放集识别方法进行分析，重点关注特征多样性方面，揭示了学习多样化辨别特征与提升开放集识别性能之间的显著相关性，并基于此洞见提出了一种利用特征多样性优势的新型开放集识别方法，通过在标准的开放集识别测试平台上进行严格评估，证明我们的方法大幅优于现有方法。

Apr, 2024

通过开放集识别和未知样本检测的进展实现知情决策

机器学习技术为数据提供更深入和实用的洞察力，帮助企业做出明智的决策；此研究提供了一种算法来改善开放集识别任务中的分类，通过探索特征空间的新表示方法，提高了分类的准确性。

May, 2024

使用可转移深度模型进行高分辨率遥感影像土地覆盖分类

本文提出了一种利用深度神经网络对高分辨率遥感图像进行无监督地物分类的方案，通过未标记遥感图像进行伪标注和样本选择来提高模型的转移性，并通过细化预先训练好的模型，组合分块分类和分层分割实现像素级地物分类。

Jul, 2018

Color out of space: 为地球观测影像学习自监督表示

该研究旨在通过利用高维光谱波段重新构建可见颜色，从卫星图像中学习有意义的表示，以进行地表覆盖分类和航空监测等深度学习技术的研究。

Jun, 2020

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

通用少样本遥感：基于混合语义分割框架的地貌涵盖映射中的新类发现

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

DeepSat - 卫星影像学习框架

本研究提供了两个新的卫星数据集 SAT-4 和 SAT-6，以及一个卫星影像分类框架，该框架从输入图像中提取特征，将其标准化并将标准化的特征向量馈入深度置信网络进行分类。与其他算法相比，该方法在两个数据集上均表现优异，能有效地学习更好的卫星影像表现.

Sep, 2015

利用深度学习技术进行土地利用和土地覆盖分类

通过使用深度卷积神经网络分类空间分辨率非常高（VHR）、正射成像的可见光多光谱图像，本论文探索了自动土地利用 / 土地覆盖（LULC）分类的潜力

May, 2019