Jan, 2022

一种新型轻量级卷积神经网络的实用多光谱和地形数据在华利斯科的多类土地覆盖分析和分类

PDF
TL;DR通过应用轻量级卷积神经网络，将多源数据进行分类与分析，可以更有效地实现局部土地利用管理和生态系统保护，促进可持续发展目标的实现。
land use and land cover changeconvolution neural networklc classificationregional datasustainable development goal
发现论文，激发创造
  • 土地覆盖图像分类

    这篇论文通过比较卷积神经网络和基于 transformer 的方法，探讨了在土地覆盖分类分析领域中，使用深度学习模型提高准确性和效率的最新进展。作者通过使用基于 Sentinel-2 卫星图像的 EuroSAT 数据集，证明了当前 transformer 模型在该领域取得了最先进的结果。

    Jan, 2024

  • 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

  • 应用卷积神经网络对地面图像进行土地利用分类

    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

  • 利用卷积神经网络在全球范围内进行城市区域的高分辨率土地覆盖制图

    从高分辨率图像和有限的带噪声标记数据中生成城市区域的七类土地覆盖图的方法，使用 UNet、Resnet 编码器的 UNet 和 Deeplab v3 + 编码器，结合不同的损失函数进行比较研究，并将模型预测拼接在一起生成高价值的土地覆盖图。

    May, 2020

  • 土地利用与土地覆盖的深度自回归建模

    土地利用 / 土地覆盖（LULC）建模是一项具有挑战性的任务，由于地理特征之间的长程依赖性和与地形、生态和人类发展相关的明显空间模式。我们发现土地利用空间模式建模与计算机视觉中的图像修复任务之间存在密切联系，并对一种修改后的 PixelCNN 架构进行了研究，其参数约为 1900 万个，用于 LULC 建模。与基准空间统计模型相比，我们发现前者能够捕捉到更丰富的空间相关模式，如道路和水体，但无法产生校准的预测分布，表明需要进行额外的调整。我们发现在补丁计数和邻接等重要的生态相关土地利用统计方面存在预测下离散性的证据，可以通过操作采样变异性在一定程度上改善。

    Jan, 2024

  • AutoLC: 遥感影像地表覆盖分类的轻量、高性能架构搜索

    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

  • 预处理训练数据提高卷积神经网络基于景观语义分割的准确性和泛化能力

    本文利用不同的数据预处理方法，包括 CNN 培训、语义分割和数据增强等方法，对昆士兰州的湿热热带和阿瑟顿高原进行了土地利用覆盖特征的分类，并发现使用数据增强和缩放是创建可用于不同日期和传感器图像的通用模型的关键。

    Apr, 2023

  • 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

  • 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

  • 卷积神经网络在遥感图像土地利用分类中的应用

    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