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
本文系统地介绍了 160 多篇文献中深度学习在遥感图像场景分类中的应用,包括自编码器、卷积神经网络和生成对抗网络等方面,总结了在三个常用数据集上的代表性算法的性能以及未来的研究前景。
May, 2020
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
介绍单层和深度卷积网络用于遥感数据分析的应用,使用贪婪层次无监督预训练和高效的无监督特征学习算法提取有稀疏特征,结果表明深度架构比单层架构的分类性能更好。
Nov, 2015
本文提出了一种名为 AutoLC 的方法,它将手动设计的 CNN 和自动设计的 CNN 的优点相结合,采用分层搜索空间和轻量级编码器策略,成功地解决了高分辨率遥感图像的土地覆盖分类问题,并在实验中取得了比其他方法更好的效果。
May, 2022
本文提出了一种新型卷积神经网络架构,用于估计地理空间函数,并使用各种标签创建了一个大型数据集进行评估。
Aug, 2017
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
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
本文系统评述了现有远程感知图像场景识别数据集和方法存在的局限性,提出了一个大规模数据集 NWPU-RESISC45,该数据集包含 31,500 张图像,提供了准确、全面和多样化的评估基准,为深度学习等算法提供了便利。
Mar, 2017