高分辨率卫星遥感影像下的大陆尺度建筑物检测
使用地球观测和深度学习方法,该论文旨在充分利用完全卷积神经网络来实现多类建筑物实例分割,以实现相对较高的像素度量分数,进而在缺乏适当城市规划的地区实现密集区域和贫民窟地区的高准确性结果,并以黎巴嫩为案例,成功产生了首个包含约 100 万个单位且准确率达 84% 的综合性国家建筑物足迹地图。
Apr, 2024
本文研究了高分辨率遥感卫星图像中像素级预测方法的挑战,提出了一种新的级联多任务损失来保留语义分割边界。结果表明,不需要额外的后处理步骤,我们的方法在 Inria 航空图像标注数据集上优于现有技术 8.3%。
Sep, 2017
使用 Sentinel-2 卫星图像进行建筑物和道路的自动标记,为高分辨率遥感图像的代替提供了可能。学生模型通过训练来复原教师模型的预测结果,虽然没有教师模型那么精细,但建筑物分割中的 mIoU 达到了 78.3%、个别建筑物计数达到 R^2=0.91。新的方法可以利用免费的 Sentinel-2 图像进行以往只能使用高分辨率卫星图像完成的各种任务。
Oct, 2023
借助开放访问的卫星图像,我们提出了一种深度网络方法,用于解决城市建筑的细粒度分类问题,通过空间分辨率增强和类别信息平衡模块的引入来改进分类鲁棒性和准确性,实验证明该方法在高精度图像的分类上与街景图像方法相当,可为城市规划者提供有价值的工具。
Mar, 2024
本文提出了一种基于卷积神经网络分类个别建筑物功能的方法,该方法利用了遥感图像和街景图像,使用开源地图系统来获取地理信息,并利用创建的基准数据集在加拿大和美国的多个城市进行训练和评估。
Feb, 2018
本研究提出了一种使用卷积网络和距离函数的方法,利用 GIS 中的建筑足迹数据训练,可实现从空中和卫星图像中自动提取建筑物的任务自动化,并在大规模和复杂的数据集上显著优于先前的方法。
Feb, 2016
本文提出了通过使用遥感数据和卷积神经网络预测非洲的基础设施质量,成功地推动可持续发展目标的落实。在使用 Landsat 8 遥感数据时,我们的模型表现出要比使用 OpenStreetMap 或夜晚光线强度分析的模型更为卓越的预测结果,可以准确地预测电力、排污、自来水和道路建设的基础设施质量。此外,该模型还可以在精细调整后在未知国家和限制样本的地区内进行预测。
Jun, 2018