本研究利用来自 Sentinel-2 卫星图像的各种光谱波段组合，采用深度学习和基于像素的机器学习方法，对熏衣草田进行精准农业的精确分割，得出了 Dice 系数为 0.8324 的 U-Net 结构的最终模型，同时，我们的研究还强调了像素方法和红绿蓝光谱波段组合在这一任务中的意外功效。

Nov, 2023

我们提出了一种通过高分辨率航空影像中的轮廓水道对农田进行分割的端到端可训练网络。我们使用多个投票块将融合块与主干网结合起来，产生语义预测和分割切片，并在预测上执行多数投票。我们的方法在国家农业影像计划的图像上取得了 94.34% 的平均准确率，相对于现有技术方法平均 F1 得分提高了 6.96% 和 2.63%。

Sep, 2023

该研究总结了首个 Agriculture-Vision Challenge 中，57 个参赛团队在使用 21,061 张农业卫星图像数据集进行农业模式识别和语义分割任务的研究方法和结果。

Apr, 2020

最近几年，深度学习已成为遥感应用中强大的方法，尤其在从卫星和航空图像中提取重要地物的分割和分类技术中起到关键作用。然而，只有少数论文讨论了深度学习在地物覆盖分类任务中交互式分割的应用。本研究旨在通过对各种基于深度学习的交互式分割模型进行基准研究，弥合交互式分割和遥感图像分析之间的差距。我们在两个高分辨率航空影像数据集上评估了五种最先进的交互式分割方法（SimpleClick、FocalClick、Iterative Click Loss (ICL)、Reviving Iterative Training with Mask Guidance for Interactive Segmentation (RITM) 和 Segment Anything (SAM)）的性能。为了在不需要多个模型的情况下提高分割结果，我们引入了一种创新的推理策略 —— 级联前向细化（CFR）方法，用于交互式分割。我们在遥感中评估了这些交互式分割方法在不同的地物覆盖类型、目标尺寸和波段组合上的表现。令人惊讶的是，广为讨论的方法 SAM 在遥感图像中表现不佳。相反，SimpleClick 模型中使用的基于点的方法在所有实验中始终优于其他方法。基于这些发现，我们开发了一个名为 RSISeg 的专用在线工具，用于遥感数据的交互式分割。RSISeg 采用了一个性能良好的交互式模型，并通过遥感数据进行了微调。此外，我们把 SAM 模型集成到这个工具中。与现有的交互式分割工具相比，RSISeg 具有较强的交互性、可修改性和适应性。

Aug, 2023

利用自由可用的卫星图像，探索可用于葡萄园分割问题的主要机器学习方法，并评估各种广泛使用的机器学习技术的有效性，为特定场景选择最合适的模型提供指导。

Nov, 2023

本文提出了一种利用卫星图像进行农田边界提取的深度学习方法，将该问题转化为多任务语义分割问题，综合考虑像素属于农田、是否是边界以及距离最近边界的距离等三个标签，从而实现准确、可扩展的农田边界提取，该方法在解决现实农业大规模数据采集问题中具有潜在的应用前景。

Oct, 2019

本文使用卫星数据和深度学习方法，建立一个基于转移学习的农作物类型检测模型，成功地在韩国、法国、西班牙和荷兰等地区对水稻和大麦进行了检测。

Nov, 2022

本文介绍了一种利用机器学习技术，结合公开遥感数据，使用卷积神经网络模型实现不同类植被的分离的方法，旨在解决处理遥感数据的效率问题。

Sep, 2022

本文介绍了一个名为 Agriculture-Vision 的大规模农业航空图像数据集，通过对该数据集进行语义分割的实验，证明了农业在计算机视觉领域中仍面临着许多挑战。

Jan, 2020

通过多区域迁移学习适应目标区域的模型权重，提出了一种用于卫星图像中农田边界分割的方法，在缺乏标记数据的地区，我们的方法优于现有方法，并且多区域迁移学习显著提升了多个模型架构的性能。

Mar, 2024