CVPRJun, 2023

2023 年 MultiEarth 森林砍伐挑战 ——FOREVER 团队

PDF
TL;DR通过多视角学习策略、最新的深度神经网络模型和多模态数据集，采用全面的数据增强和多样化网络方法，能够有效而准确地预测亚马逊雨林地区的森林砍伐情况。
deforestationsatellite imagerymulti-view learningdeep neural networksdata augmentation
发现论文，激发创造
  • MultiEarth 2022 森林砍伐挑战 --ForestGump

    利用卫星图像和深度神经网络结合的方法，通过对 Sentinel-1，Sentinel-2 和 Landsat 8 的数据进行精细处理，成功地对亚马逊森林地区的砍伐情况进行了高准确度的估算。

    Jun, 2022

  • CVPR 2023 亚马逊地区森林砍伐估计挑战赛：SpaceVision4Amazon

    基于光学和合成孔径雷达卫星影像，我们提出了一种基于注意力引导的 UNet 架构的森林砍伐估计方法，通过训练和验证模型，得出了 93.45% 的像素准确率和 0.79 的 F1 分数与 0.69 的 IoU。

    Jul, 2023

  • 利用卫星图像进行深度多模式学习的快速森林砍伐和烧毁区域检测

    利用深度卷积神经网络和多模卫星图像对亚马逊森林的砍伐估测和火灾检测问题进行了研究，并提出了一种新的数据集和处理技术。

    Jul, 2023

  • MultiEarth 2022 - 地球和环境的多模态学习工作坊和挑战

    MultiEarth 2022 竞赛将对亚马逊雨林的砍伐进行监测和分析，包括三个子挑战：矩阵补全、砍伐估计和图像转换。竞赛旨在为多模态信息处理提供公共基准，并将地球、环境科学社区以及多模态表征学习社区聚集在一起，以在定义良好且严格可比的条件下比较各种多模态学习方法在砍伐估计方面的相对优劣。

    Apr, 2022

  • 结合循环和剩余学习的多时相 SAR 图像监测森林破坏

    通过利用合成孔径雷达（SAR）多时相数据来监测巴西雨林中的森林砍伐，并提出了三种增强森林砍伐检测准确性的深度学习模型，其中 RRCNN-1 具有最高准确性和最短处理时间。

    Oct, 2023

  • 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

  • MultiEarth 2022 -- 基于多模态回归和生成的矩阵补全挑战冠军方案

    本文提出了一种适应性实时多模态回归和生成框架来解决卫星数据稀疏性的挑战，并在 CVPR 2022 的 MultiEarth 矩阵完备性挑战中取得了优异的性能，其中包括 LPIPS 为 0.2226，PSNR 为 123.0372 和 SSIM 为 0.6347。

    Jun, 2022

  • 多星时序图像中人工林识别数据集

    通过多模态数据和数据增强方法，利用卫星遥感技术实现全球范围内的森林监测，以保护和恢复森林生态系统，对生物多样性保护和碳封存至关重要。

    May, 2024

  • MultiEarth 2023 多模式学习地球和环境研讨会与挑战赛

    本文介绍了 MultiEarth 2023 国际会议的挑战指南、数据集和评估指标，以促进多模态学习与遥感数据处理等技术在环境监测中的应用

    Jun, 2023

  • 基于 UMDA 的 Landsat-8 波段选取框架用于森林砍伐检测

    该论文提出了一种采用 UMDA 算法选择 Landsat-8 的光谱波段，并通过 DeepLabv3 + 进行语义分割的新框架，用于监测热带森林的破坏。实验结果表明，使用 UMDA 算法选择的最佳组合 (651) 在分割分类任务中获得超过 90％的平衡准确性，效率和有效性优于其他组合。

    Nov, 2023