Dec, 2022

利用光学雷达跨波段少样本迁移学习进行土地利用预测

PDF
TL;DR该研究探索了使用深度学习方法和分布对齐的神经网络嵌入可以提高卫星影像分析的准确性，尤其是在少量样本预测中，显著地超越了多种基线方法，其关键词有卫星图像分析，深度学习，迁移学习，Sentinel 和地区气候分区。
satellite image analysisdeep learningtransfer learningsentinellocal climate zone
发现论文，激发创造
  • 多源卫星 SAR 和光学图像在森林制图中的深度学习模型转移

    使用深度学习模型进行森林变量预测具有越来越大的流行度，本研究通过模型转换方法将预训练的深度学习模型应用于目标区域，使用地球观测数据进行森林结构预测，结果表明相较于传统基准方法，利用迁移学习的 SeUNet 模型具有更高的准确性。

    Aug, 2023

  • 改进的洪水洞察：基于扩散的合成孔径雷达到光学图像转换

    研究介绍了一种利用合成孔径雷达数据的洪水检测技术，通过一种名为扩散 SAR 到 EO 图像翻译（DSE）的框架，将 SAR 图像转换为 EO 图像，提高了对人类的可识别性， 实验结果表明，DSE 框架不仅提供了增强的视觉信息，而且在所有测试的洪水分割基线中均有所提高。

    Jul, 2023

  • 卫星图像时间序列分析的深度学习：一综述

    利用深度学习方法对卫星图像时间序列数据进行环境、农业和其他地球观测变量的建模的最新方法进行了综述，为遥感专家提供了一个利用时间信息增强地球观测模型的资源。

    Apr, 2024

  • 多标签引导的软对比学习用于高效地球观测预训练

    利用自监督预训练技术在大规模卫星数据上取得了重要进展，同时发现在地表覆盖地表利用产品等自由全球语义信息资源和自然世界的视觉基础模型等重要资源的应用能显著提高地球观测预训练的效率和效果。

    May, 2024

  • 使用机器学习算法在谷歌地球引擎上实现的 Sentinel-1 和 Sentinel-2 数据的地表分类集成

    通过在 Google Earth Engine 平台上实施监督机器学习算法，将 Sentinel-1（S-1）和 Sentinel-2（S-2）数据集成，以用于特定区域的地表分类。结果表明，在这种情况下，雷达和光学遥感提供互补信息，有利于地表覆盖分类，从而提高了映射的准确性。此外，本文还证明了 GEE 作为一种处理大量卫星数据的有效云端工具的新兴作用。

    Aug, 2023

  • 运用迁移学习实现全球农作物地图

    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

  • 大规模掩码自编码减少合成孔径雷达数据的标签要求

    利用遥感卫星监测和缓解人为气候变化的影响在关键的干预和政策决策方面有着重要作用。合成孔径雷达 (SAR) 提供了一种强大的光学数据替代方案，通过自监督预训练方法在预测植被覆盖和土地分类关键任务上减少了标记数据需求，从而大大推进了气候变化监测的发展。

    Oct, 2023

  • 基于深度特征的遥感与贫困测绘迁移学习

    通过机器学习从高分辨率遥感图像中提取大规模社会经济指标，以辅助政策决策和人道主义救助，特别是在发展中国家等缺乏可靠数据的地区。

    Oct, 2015

  • 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

  • WV-Net：使用对比自监督学习训练的 SAR WV 模式卫星图像基础模型，训练数据达到 1000 万张图像

    使用 WV-Net 模型和对比自监督学习方法，使用近 1000 万个 WV 模式图像进行训练，在估计浪高、气温和多标签分类等多个下游任务中表现出优越性能，并且在无监督图像检索任务中也展现出卓越性能，显示了 WV-Net 嵌入模型在支持地球物理研究中的潜力。

    Jun, 2024