May, 2023

利用深度学习识别 LUCAS 作物覆盖照片中的作物

PDF
TL;DR本文利用深度学习对地面影像进行农作物分类，选取 EU's LUCAS 数据库中的 12 种作物数据集，使用 Mobile-net 模型进行识别并通过信息论进行结果加工和后处理，并验证结果与 EU 的农业政策的实际应用相关性。
crop classificationdeep learningdata collectioneu's lucasinformation theory
发现论文，激发创造
  • 从包裹到大陆尺度 - 一份基于 Sentinel-1 和 LUCAS Copernicus 原位观测的欧洲作物类型地图

    利用 Copernicus 计划和 Sentinel-1 记录的 Synthetic Aperture Radar 观测数据，结合随机森林分类算法和 LUCAS 2018 Copernicus 现场调查数据，成功实现了对欧盟 19 种农作物类型的 10 米级空间分辨率的识别，并对 6 个欧盟成员国主要农作物类型数据等进行了 8.21Mha 的精度评估。结果表明，所提出的方法可以支持基于高分辨率农作物识别的实时作物监控。

    May, 2021

  • 高产作物田地检测：新数据集与深度学习基准测试结果

    通过使用机器操作结合时间跟踪的 Sentinel-2 图像生成高质量的数据集，并应用半监督分类、监督和自监督深度学习方法自动检测生产性农田，以解决传统手动识别的耗时和错误。结果表明在高置信正样本学习中的高准确性，并在没有完整标注数据集情况下使用对比学习等方法获得最佳性能。

    May, 2023

  • 加拿大农田数据集：用于农业多时相深度学习分类的新地表覆盖数据集

    通过遥感监测土地覆盖对于研究环境变化以及通过作物产量预测确保全球粮食安全至关重要。该研究建立了一个加拿大农田的时间序列数据集，包含了来自 10 个作物类别的高分辨率图像，并提供用于预测作物类别的模型和源代码，可用于加速土地覆盖的准确连续监测，以促进健壮的农业 - 环境模型的创建。

    May, 2023

  • 生成土地覆盖分类训练数据集以推进全球发展

    使用 Sentinel-2 卫星数据和 Random Forests 算法的语义分割技术可用于高精度地图绘制，为农业和经济发展提供一种可行技术。

    Nov, 2018

  • 在数据稀缺环境下使用深度学习进行大规模农田绘制：尼日利亚案例研究

    利用机器学习技术结合全球农田数据集和手工标注数据，对尼日利亚进行了 10 米分辨率的新农田图生成，通过评估和比较不同模型及全球土地覆盖地图的性能，发现现有的 WorldCover 地图在测试集上表现最佳。

    Dec, 2023

  • 基于图像时间序列的作物分类映射：使用多尺度标签层次结构的深度学习

    本文旨在通过分类卫星图像时间序列来绘制农作物的地图，开发了一种利用专家知识的农作物分类方法，并将三级标签层次结构编码至卷积循环神经网络中，该神经网络能够同时学习罕见珍贵类别在更宏观层次上的特征表示，提高了细粒度分类的性能，并能够根据置信度和农业实践需求进行输出调整。在新的公共数据集 ZueriCrop 上的实验表明，相比于其他基于不平衡类分布的方法，该分层式卷积循环神经网络模型的分类性能至少提高了 9.9 个百分点。

    Feb, 2021

  • 利用分层融合卫星、旋转和上下文数据提高作物分类性能

    提出了一种融合多模态信息的方法，用于改进作物类型分类的准确性和稳健性，并针对 740 万个农业地块发布了新的注释数据集。新方法在评估中表现更好，可用于跨领域零样本学习和从法国到荷兰的少样本设定的稳健性。

    May, 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

  • 利用深度学习技术进行土地利用和土地覆盖分类

    通过使用深度卷积神经网络分类空间分辨率非常高（VHR）、正射成像的可见光多光谱图像，本论文探索了自动土地利用 / 土地覆盖（LULC）分类的潜力

    May, 2019

  • 遥感图像的多标签分类

    本研究旨在通过运用不同的机器学习和深度学习模型将亚马逊雨林的卫星图像碎片进行分类和标记，并通过 F2 度量来评估分类器的准确性和损失函数。经过预训练的 ImageNet 体系结构用于提取特征，最终实现了 0.927 的最佳 F2 得分。

    Jan, 2022