利用传统特征注入 CNN 模型的卫星图像土地分类
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
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
在低地球轨道卫星上部署高性能卷积神经网络模型(CNN)进行快速遥感图像处理引起了工业界和学术界的极大兴趣,不过,LEO 卫星上有限的资源与资源密集型 CNN 模型的需求相矛盾,因此需要采用地面站服务器的协助来训练和更新这些模型。本文介绍了一种地面站服务器辅助框架,其中 CNN 模型的每一层只包含一个学习特征图(称为种子特征图),其他特征图是基于特定规则从种子特征图生成的,而这些规则的超参数是随机生成的,而不是通过训练得到,从而实现了从种子特征图生成多个特征图并显著减少 FLOPs 的目的。此外,由于可以使用少量随机种子保存随机超参数,可以便于地面站服务器在更新部署在 LEO 卫星上的 CNN 模型。在 ISPRS Vaihingen、ISPRS Potsdam、UAVid 和 LoveDA 等数据集上进行的语义分割服务的实验结果表明,所提出的框架优于现有的最先进方法。特别地,在 UAVid 数据集上,基于 SineFM 的模型相比 UNetFormer 模型在 mIoU 上实现了较高的性能,且参数数量减少了 3.3 倍,FLOPs 减少了 2.2 倍。
Aug, 2023
本文提出了一种用于高分辨率卫星图像分类的多尺度深度特征学习方法,该方法使用卷积神经网络(CNN)和空间金字塔池(SPP-net)技术提高了训练效率,并开发了一种多核学习方法以自动学习这些特征的最佳组合,实验表明该方法相对于其他最先进的方法具有更好的性能。
Nov, 2016
本文介绍了一种应用深度卷积神经网络用于语义标签高分辨率遥感数据的方法,采用了全卷积网络和预训练卷积神经网络在卫星图像识别中得到了较好的应用效果。
Jun, 2016
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
本文研究了使用卫星图像语义分割实现自动生成地图的问题。通过使用不同的训练数据集进行对比分析,文章指出采用大规模公开标注来取代部分手动标注可以显著降低成本且不影响语义分割效果
Jul, 2017
本研究旨在使用改进的 U-Net 结构的卷积机器学习模型,基于卫星图像创建土地覆盖分类映射,使用 BigEarthNet 卫星图像归档和原始数据集对模型进行训练和测试,结果显示可以提高现有土地分类图的精度和土地覆盖变化检测。
Mar, 2020