Jun, 2023

用于 Landsat 图像的数据集和基础模型 SSL4EO-L

PDF
TL;DR本文介绍了 SSL4EO-L 数据集的设计，使用该数据集现代化并重新发布了 L7 Irish 和 L8 Biome 云检测数据集，并推出了 Landsats 4-5 TM 和 Landsat7 ETM+ SR 的 ML 基准数据集，使用 SSL4EO-L 预训练了 Landsat 影像的基础模型，并在多个语义分割任务上评估了它们的性能。
landsat programmultispectral imagerydeep learningself-supervised learningsemantic segmentation
发现论文，激发创造
  • SSL4EO-S12: 大规模多模态、多时相的自监督学习地球观测数据集

    使用自监督学习的方式对遥感数据进行预处理，能够形成高质量的可用于计算机视觉应用的表示。

    Nov, 2022

  • PhilEO Bench: 评估地理空间基础模型

    本研究介绍了 PhilEO Bench，这是一个用于评估遥感基础模型的创新评估框架，其中包括一个测试平台和一个包含建筑密度估计、道路分割和土地覆盖分类三个下游任务的 400GB Sentinel-2 数据集。通过使用该框架对 Prithvi 和 SatMAE 等不同基础模型进行多个 n-shot 和收敛率的实验评估。

    Jan, 2024

  • 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

  • M3LEO：一种多模态、多标签的地球观测数据集集成干涉合成孔径雷达和 RGB 数据

    卫星遥感技术革命性地改变了我们在迅速发展的世界中解决全球挑战的方式。每天都会通过卫星传感器产生大量的地球观测（EO）数据，但是将这些大规模数据集进行处理以供机器学习流程使用在技术和计算方面具有挑战性。尤其是不同类型的 EO 数据通常托管在各种平台上，在 Python 预处理工具的可用性方面存在差异。此外，数据源和数据分割的空间对齐可能对初学者用户构成重大技术障碍。我们引入了 M3LEO，这是一个多模态、多标签的 EO 数据集，包括了来自 Sentinel-1 的极化、干涉和相干 SAR 数据，以及 Sentinel-2 的 RGB 图像和一套用于模型评估的标签任务。M3LEO 跨越 17.5TB，其中包含了来自六个地理区域的约 1000 万数据片段。该数据集由灵活的 PyTorch Lightning 框架支持，并使用 Hydra 进行配置管理。我们提供了一些工具，以便将任何在流行平台（如 Google Earth Engine）上可用的数据集与我们的框架整合。初步实验验证了我们的数据和框架的实用性，显示出 SAR 图像包含了从 RGB 数据中无法提取的信息。数据可在 huggingface.co/M3LEO 获得，代码可在 github.com/spaceml-org/M3LEO 获取。

    Jun, 2024

  • 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

  • EarthNets：赋能地球观测中的人工智能

    本文综述了 400 多个公共数据集，包括土地利用 / 覆盖、变化 / 灾害监测、场景理解、农业、气候变化和天气预报。通过对数据集进行系统分析，我们基于其属性提出了评估标准，并发布了用于评估深度学习方法的新平台 EarthNets，从而弥合了遥感和机器学习社区之间的差距。

    Oct, 2022

  • 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

  • 利用光学雷达跨波段少样本迁移学习进行土地利用预测

    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。

    Dec, 2022

  • DynamicEarthNet：语义变化分割日常多光谱卫星数据集

    这篇文章介绍了一种名为 DynamicEarthNet 的数据集，其中包含每日地球观测数据和 7 种土地利用和覆盖类别的高质量标签，提供了研究土地利用演变方面的极其有用的资源。此外，文章还提出了一个新的评估指标 SCS 以应对时间序列语义变化分割中的特定挑战，并比较了几个半监督学习和时空学习的基线方法。

    Mar, 2022

  • 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