Jul, 2023

使用 Sentinel-1 SAR 和 Sentinel-2 MSI 时序数据的 CNN 回归模型估算建筑物高度图

PDF
TL;DR本研究提出了一种基于卫星数据的多模态建筑高度回归网络，利用 Sentinel-1 和 Sentinel-2 卫星时间序列数据，在 10m 空间分辨率下估计建筑高度，在荷兰的 10 个城市进行训练和测试，得出了良好的性能结果，证明其在准确估计建筑高度方面具有潜力。
building heightsmultimodal building height regression networksentinel-1sentinel-2deep learning model
发现论文，激发创造
  • 基于 Sentinel 数据，以 10 米分辨率估算建筑物高度

    通过结合 Sentinel-1 的 SAR 数据、Sentinel-2 的光学数据和建筑物轮廓提供的形状数据，本研究建立了一套空间 - 光谱 - 时间特征数据库，提取这些特征并建立了基于随机森林模型的建筑物高度模型，通过模型集成方法和 Lidar 数据的验证，实现了高分辨率建筑物高度数据的快速生成。

    May, 2024

  • Sentinel-2 高分辨率建筑物和道路检测

    使用 Sentinel-2 卫星图像进行建筑物和道路的自动标记，为高分辨率遥感图像的代替提供了可能。学生模型通过训练来复原教师模型的预测结果，虽然没有教师模型那么精细，但建筑物分割中的 mIoU 达到了 78.3%、个别建筑物计数达到 R^2=0.91。新的方法可以利用免费的 Sentinel-2 图像进行以往只能使用高分辨率卫星图像完成的各种任务。

    Oct, 2023

  • 基于街景图像和 OpenStreetMap 的半监督学习自动建筑高度估计

    通过使用低成本 VGI 数据，提出了一种基于 MapillarySVI 和 OSM 数据的半监督学习方法，可以自动估计建筑物的高度，以生成开放和低成本的 3D 城市模型。

    Jul, 2023

  • 基于单目遥感影像的多级监督的三维建筑重建

    提出了一种适用于大规模交叉城市场景的多级监督建筑重建网络 (MLS-BRN)，旨在通过灵活利用带有不同注释级别的训练样本，在端到端的方式下实现更好的重建结果。实验证明，相较于现有的最先进方法，所提出的 MLS-BRN 在使用更少的三维注释样本的情况下能够达到有竞争力的性能，并显著提高了足迹提取和三维重建的性能。

    Apr, 2024

  • 使用 Sentinel-2 卫星进行全国范围高分辨率植被高度制图

    文章利用收集的静止卫星 Sentinel-2 多光谱图像，通过基于深度卷积神经网络 (CNN) 的图像处理，从反射图像中提取适合的光谱和纹理特征，以回归像素高度来估算瑞士和加蓬的植被高度，从而在国家范围内生成 10 米地面采样距离 (GSD) 的高分辨率植被高度地图。

    Apr, 2019

  • 利用全卷积神经网络在高分辨率合成孔径雷达图像中检测建筑物

    该论文研究如何在高分辨率 SAR 图像中自动识别建筑物，提出了一种基于 SAR 层析成像技术的建筑物点云分类方法和基于深度学习的建筑物检测模型，并在柏林城区进行了验证。

    Aug, 2018

  • 利用探测器重叠进行 Sentinel-2 L1B 遥感图像的无监督超分辨率

    本文提出了一种基于深度学习的单图像超分辨率和波段对齐方法，通过自监督学习方法直接在 Sentinel-2 L1B 数据上进行训练，使用新型的交叉光谱注册网络实现波段对齐，避免了缺乏可靠的高分辨率地面真值的问题，并证明了该方法在合成和现实数据上的性能与监督方法相当。

    Apr, 2023

  • HeightFormer：用于航空图像单目高度估计的多层交互和图像自适应分类 - 回归网络

    这篇论文介绍了一种综合解决方案，用于遥感中的单眼高度估计，被称为 HeightFormer，结合了多级相互作用和图像自适应分类 - 回归。

    Oct, 2023

  • 多模态深度学习基于 GEDI 与地球观测数据融合的森林主要高度绘制

    我们提出了一种名为多模态注意远程传感网络（MARSNet）的新型深度学习框架，通过将 GEDI、Sentinel-1、ALOS-2 PALSAR-2、Sentinel-2 和辅助数据进行融合，从而估计森林优势高度，提高了高分辨率优势高度的准确性。

    Nov, 2023

  • 多任务深度学习用于高分辨率卫星图像中的大规模建筑细节提取

    为了理解城市动态并促进可持续发展，我们引入了适用于从高分辨率卫星图像中同时提取空间和属性建筑细节的多任务建筑细化器（MT-BR），通过我们的采样方法训练的网络在预测准确性方面相对其他采样方法表现出改进，而 MT-BR 则在提取建筑细节方面始终优于其他先进方法，将在上海的应用中展示其实际可行性。

    Oct, 2023