Oct, 2020

利用全球卫星图像进行机器学习的通用且易于实现的方法

PDF
TL;DR使用卫星图像与机器学习相结合，可以远程估计数据贫乏地区的社会经济和环境条件，而这种方法可能会受到资源需求的限制。该研究表明，一种单一的卫星图像编码可以概括各种预测任务的要求，如林地覆盖、房价和道路长度。该方法不仅能够在成本低的情况下达到与深度神经网络相同的准确率，而且同时具有全球扩展性、标签分辨率和不确定性特性，因此实现成果共享。
satellite imagerymachine learningglobal challengeseconomic conditionsenvironmental conditions
发现论文，激发创造
  • 利用卫星图像理解和推广可持续发展

    本文综合研究了使用卫星图像和机器学习了解可持续发展领域期间所面对的挑战，以及如何将二者有机结合，细致测量各类相关数据，从而量化模型表现，并探讨该研究领域的未来发展。

    Sep, 2020

  • SatCLIP：卫星图像中的全球通用位置嵌入

    Satellite Contrastive Location-Image Pretraining (SatCLIP) is a global geographic location encoder that provides vector embeddings summarizing location characteristics, outperforming existing pretrained encoders in various predictive tasks, and enabling meaningful representations of our planet from geospatial data.

    Nov, 2023

  • 利用公共 Landsat 7 卫星图像和机器学习进行贫困预测

    使用 Landsat 7 卫星采集的多光谱卫星图像，训练 CNN 模型可以准确地测量发展中国家地方经济生计，即使图像分辨率较低，仍能超越以往的基准结果。

    Nov, 2017

  • 基于深度特征的遥感与贫困测绘迁移学习

    通过机器学习从高分辨率遥感图像中提取大规模社会经济指标，以辅助政策决策和人道主义救助，特别是在发展中国家等缺乏可靠数据的地区。

    Oct, 2015

  • 使用维基百科学习全球卫星图像的解释

    本文提出了一种新的方法来解决缺乏标注训练数据在卫星图像的细粒度解释方面的难题，通过将地理参考维基百科文章与其对应位置的卫星图像配对构建名为 WikiSatNet 的新型数据集，并提出了两种学习卫星图像表示的策略。在最新发布的 fMoW 数据集上，本文的预训练策略可以将在 ImageNet 预训练的模型的 F1 分数提高 4.5%。

    May, 2019

  • 气候适应：从不平衡卫星数据中可靠地预测

    本文研究了如何处理在应用深度学习技术识别危机管理时，数据高度不平衡的情况，探讨了多种技术并提出了一套综合方法，旨在提高少数类别分类的性能和模型可靠性。

    Apr, 2020

  • 地球观测任务的全球多模态嵌入式少样本学习

    使用 CLIP/ViT 模型在占总陆地面积约 10% 的五个区域内，利用卫星图像的三种不同模态对其进行预训练，通过嵌入向量和经典机器学习方法，在植被、建筑表面、农田和常水的地球观测相关任务中，仅需少量标记数据即可达到与完整标记数据相当的性能水平，并且该模型对缺失的数据模态和通道具备容错性。

    Sep, 2023

  • 卫星图像人口估计的深度学习方法

    利用深度学习模型对美国每个 0.01 平方度单元格的高分辨率人口估计进行了研究，并比较了直接调查和解聚群体技术的优劣。

    Aug, 2017

  • 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

  • 基于条件像素合成的卫星图像时空超分辨率

    通过丰富、廉价、低分辨率的卫星图像，提出一种新的条件像素合成模型，生成准确的高分辨率图像，以帮助解决高分辨率图像采集不足和成本过高等问题；该模型能够用于改善物体计数等重要应用，特别是在地理条件快速变化的地区。

    Jun, 2021