May, 2023

FLAIR #2: 多源光学图像的纹理和时间信息用于语义分割

PDF
TL;DR该研究介绍了 FLAIR #2 数据集，它利用高分辨率航空影像和高分辨率卫星影像的时间和光谱信息进行地物语义分割和地表覆盖制图， 以此促进创新和提高我们对领土的了解。
flair #2 datasetsemantic segmentationland cover mappingaerial imagerycopernicus sentinel-2
发现论文，激发创造
  • FLAIR：多源光学影像的国家尺度地表覆盖语义分割数据集

    FLAIR 是法国地理和森林信息国家研究所（IGN）提供的一个大规模地理数据集，包含高分辨率航空图像和时间序列光谱数据，用于大规模土地覆盖语义分割的方法的开发和评估，以及对城市增长、森林破坏和土地人工化等人类发展指标的监测和理解。

    Oct, 2023

  • 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

  • 基于视网膜的基础语言 - 图像模型（FLAIR）：通过文本监督编码专业知识

    FLAIR 是一个用于通用视网膜底层图像理解的预训练视觉语言模型，它整合了专家领域知识，具有强大的泛化能力和优于全面训练模型的性能，尤其在少样本情况下，FLAIR 表现出色。

    Aug, 2023

  • 用于土地覆盖分类的多模态遥感基准数据集和共享特征学习模型

    本文提出了一个用于遥感数据的前沿技术 —— 共享和特定特征学习（S2FL）模型。该模型不仅可以将多模式遥感数据分解为模态共享和模态特定组件，更可以在陆地覆盖分类等多方面任务上发挥有效作用，达到其前沿性和先进性的地位。

    May, 2021

  • SEN12MS：一份经过整理的、包含地理参考多光谱 Sentinel-1/2 图像数据集，为深度学习与数据融合提供支持

    利用 Copernicus 计划（ESA）的 Sentinel 卫星和 Google Earth Engine 的云计算设施，我们提供一个包括 180,662 个样本的数据集，该数据集由双极化合成孔径雷达（SAR）图像，多光谱 Sentinel-2 图像和 MODIS 地表覆盖映射的三元组组成，拥有 10 m 的地面采样距离，并覆盖所有有人居住的大陆和所有气象季节。期望该数据支持社区开发面向场景分类或地表映射的语义分割等常见任务的深度学习算法。

    Jun, 2019

  • 使用深度学习对遥感影像植被进行语义分割

    本文介绍了一种利用机器学习技术，结合公开遥感数据，使用卷积神经网络模型实现不同类植被的分离的方法，旨在解决处理遥感数据的效率问题。

    Sep, 2022

  • 航空语义分割和深度估计的森林巡查数据集

    通过使用 UAV 监测森林环境的变化，本研究介绍了一个新的大型航拍数据集，用于森林巡视任务，该数据集包含了真实和虚拟记录的自然环境，密集标注的语义分割标签和深度图，并研究了不同采集条件下多尺度神经网络的性能以及从虚拟数据到真实数据的迁移学习能力，结果表明，最佳结果来自于包含多种情景的数据集，而非将数据按特定类别分离。还开发了一个评估地区森林破坏程度的框架。

    Mar, 2024

  • 高度和语义的航空影像多任务学习

    本文研究了利用神经网络框架综合分析航空或卫星图像，并展示了其在多任务学习和模型预测不确定性方面的优势。

    Nov, 2019

  • MetaSegNet: 基于元数据协同的视觉语言表示学习用于遥感图像语义分割

    我们提出了一种基于视觉 - 语言表示学习的元数据协作多模态分割网络（MetaSegNet），该网络用于遥感图像的语义分割，并展示了卓越的泛化性能和与现有方法相竞争的准确性。

    Dec, 2023

  • 佛兰德生物估值地图：基于 Sentinel-2 卫星图像分析

    在远程感知分析中，机器学习对于土地利用 / 覆盖（LULC）领域至关重要。本文介绍了一种全面的方法来解决 LULC 研究中的挑战，包括提供 Flanders 地区的详细和准确的像素级标注数据集以及语义分割模型的训练流程，以填补许多地区在这方面研究中缺乏统一、规范化数据集和工作流程的空白。

    Jan, 2024