Jul, 2022

地球观测深度学习的当前趋势：用于图像分类的开源基准竞技场

HTML
PDF
TL;DR本文介绍了AiTLAS基准测试套件，它是用于评估地球观测中图像分类的最先进深度学习方法的开源基准测试套件。我们对500多种模型进行了全面比较分析，以22个不同大小和属性的数据集为基础，并将它们与各种多类别和多标签分类任务进行比较，找到了一个通用而有效的模型。
发现论文，激发创造
  • EuroSAT：一个用于土地利用和覆盖分类的新数据集和深度学习基准

    本文介绍一种针对Sentinel-2卫星图像进行土地利用和土地覆盖分类的方法，提供了一个包含13个光谱波段及10类共27,000个标记和地理参考图像的新数据集，并使用最先进的深度卷积神经网络提供了基准测试。通过这一分类系统，可以用于检测土地利用和土地覆盖的变化，并帮助改进地理地图。

    Aug, 2017

  • 遥感深度学习综述：理论、工具和社区面临的挑战

    本文综述了目前最新的遥感深度学习研究进展及理论、工具和挑战，并着重讨论深度学习系统的未解决的挑战和机遇，包括数据不足、模拟物理现象的人类可理解解决方案、大数据、非传统异构数据源、光谱、空间和时间数据的深度学习架构和学习算法、迁移学习、更好的理论理解深度学习系统、高门槛和深度学习的训练和优化。

    Sep, 2017

  • 利用SEN12MS数据集的遥感图像分类

    本文介绍了 SEN12MS 数据集的分类转换及使用该数据集对不同模型和数据类型进行测试后，证明多光谱和多传感器数据融合对遥感图像分类的好处。

    Apr, 2021

  • EarthNets：赋能地球观测中的人工智能

    本文综述了400多个公共数据集，包括土地利用/覆盖、变化/灾害监测、场景理解、农业、气候变化和天气预报。通过对数据集进行系统分析，我们基于其属性提出了评估标准，并发布了用于评估深度学习方法的新平台EarthNets，从而弥合了遥感和机器学习社区之间的差距。

    Oct, 2022

  • SATIN:使用视觉语言模型分类卫星图像的多任务元数据集

    本研究旨在建立卫星遥感图像分类的基准数据集（SATIN），以对广泛范围的视觉语言（VL）模型的零-shot传输分类能力进行全面评估，并发现SATIN是一个具有挑战性的基准数据集。该数据集涵盖了来自27个现有遥感数据集的元数据，并在分类准确率方面取得了52.0%的最高性能。

    Apr, 2023

  • 重新审视预训练遥感模型基准测试：调整大小和标准化很重要

    本研究发现，将预训练图像的预处理过程直接应用于卫星和航空图像数据集中可以显著提高下游任务的性能；特别是通过这种方式，ImageNet预训练模型成为卫星图像转移学习任务的一个有竞争力的基准。

    May, 2023

  • GEO-Bench：地球监测基础模型

    本研究针对遥感任务的基础模型研究进行了探讨，提出了一种包括六项分类任务和六项分割任务的基准测试以及可靠的评估方法，并报告了二十种基线模型的结果，旨在推动地球监测领域的模型进展。

    Jun, 2023

  • 用于Landsat图像的数据集和基础模型SSL4EO-L

    本文介绍了 SSL4EO-L 数据集的设计，使用该数据集现代化并重新发布了 L7 Irish 和 L8 Biome 云检测数据集，并推出了 Landsats 4-5 TM 和 Landsat7 ETM+ SR 的 ML 基准数据集，使用 SSL4EO-L 预训练了 Landsat 影像的基础模型，并在多个语义分割任务上评估了它们的性能。

    Jun, 2023

  • 擅长标题，计数能力差：在地球观测数据上评估GPT-4V

    对大型视觉语言模型在地球观测数据中的能力进行了评估，发现其在场景理解和空间推理等任务上表现出色，但在物体定位和计数任务上有一定局限性，因此提出了一个全面的评估基准。

    Jan, 2024

  • 基于卫星图像的地球观测分类：预训练视觉变换器模型的比较研究

    本研究针对传统卷积神经网络在遥感图像分类中的局限，探索了预训练视觉变换器模型在卫星处理中的应用。通过与CNN和ResNet模型的比较，我们发现MobileViTV2和EfficientViT-M2在准确性和效率上表现优越，尤其EfficientViT-M2在有噪声的条件下表现出更高的适应性，成为卫星地球观测任务中的最佳选择。这项研究为遥感图像分类提供了新的高效方法。

    Sep, 2024