Apr, 2023

利用卷积神经网络从 Sentinel-1 数据进行自动化海洋船舶监测

PDF
TL;DR通过引入小波变换卷积神经网络方法，利用 Sentinel-1 SAR-C 双极化数据获取了印度西部沿海区域海洋监视和海事监测中的船舶检测，并获得了 95.46% 的检测准确率，进而实现了对海洋船舶的自动监测和外来船只的识别。
multi-channel synthetic aperture radarcoastal ocean surveillancewavelet transformation-based convolution neural networkobject detectionnaval monitoring
发现论文，激发创造
  • FAD-SAR：基于深度学习方法的合成孔径雷达图像鱼类活动检测系统

    使用基于深度学习的系统和物体检测模型，通过合成孔径雷达技术在检测非法、未报告和无监管捕鱼活动方面取得了显著的改善。

    Apr, 2024

  • 利用同时多光谱和合成孔径雷达图像进行海冰检测

    该研究提出了一种新的工具 ViSual_IceD，它使用并行编码器级别，将多光谱图像和合成孔径雷达 (SAR) 图像进行融合和连接，以实现极地区域可靠准确的海冰覆盖检测。

    Jan, 2024

  • 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

  • 基于 CNN 的高效毫米波移动雷达成像超分辨率算法

    本文提出了一种卷积神经网络方法，以提高移动设备中在近场条件下智能手机合成孔径雷达成像的超分辨率，具有高效率、高分辨率的雷达成像能力。

    May, 2023

  • UrbanSARFloods: 用于城市和开放区域洪水制图的基于 Sentinel-1 SLC 的基准数据集

    通过介绍 UrbanSARFloods 数据集，研究考察了卫星合成孔径雷达在大规模洪水测绘方面的局限性，发现目前的方法无法克服数据不平衡和小型训练数据集的限制，探索了解决不平衡数据挑战和利用迁移学习进行基于合成孔径雷达的大规模洪水测绘的潜力，为深化洪水测绘技术的应用做出贡献。

    Jun, 2024

  • 基于感知行为的 SAR 图像解释图神经网络进行人类决策

    我们提出了一种基于图神经网络的自动目标识别框架，该框架不仅可以提供最终的分类类别，还可以输出对应的详细信息，实现了 99.2％的整体准确率，并超越了先前最先进的图神经网络方法。

    Jan, 2024

  • AMANet: 自适应多分层注意力网络推进 SAR 船舶检测

    提出了一种适应性多层次注意力模块（AMAM）来学习多尺度特征，并从不同特征层自适应地聚合显著特征，以增强对小目标的检测能力，实现多尺度特征增强和对象检测。通过将 AMAM 嵌入主干网络和特征金字塔网络（FPN）之间，提出了一种新颖的自适应多层次注意力网络（AMANet），并且 AMAM 可以轻松地插入不同的框架以提高对象检测性能。大规模合成孔径雷达（SAR）船舶检测数据集上的大量实验结果表明，AMANet 方法优于现有方法。

    Jan, 2024

  • 具有联合手工特征视图的双流对比预测网络用于 SAR 船舶分类

    通过引入两个非对称式任务设计和虚假负样本消除模块，我们提出了一种新颖的双流对比预测网络（DCPNet），以解决现有合成孔径雷达（SAR）舰船分类技术中存在的标注数据不足和特征融合造成的冗余问题。实验结果表明 DCPNet 在有监督模型的分类准确性上有所提升，并证实了其学习有效特征表示的能力。

    Nov, 2023

  • 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

  • 利用 Sentinel-1 SAR 数据和 AutoML 估计光学植被指数

    使用合成孔径雷达（SAR）数据进行森林监测，对于解决光学数据的问题并使用机器学习估计森林的光学查找指数（VIs）表现出较好的效果，通过创建多时序和多模态数据集来进行 VI 估计，在时间和空间上与 Sentinel-1、Sentinel-2、DEM、天气和土地覆盖数据集的对齐下取得了较好的结果。

    Nov, 2023