Jul, 2023

Ben-ge: 使用地理和环境数据扩展 BigEarthNet

PDF
TL;DR该研究提出了一个多模式地球观测数据集 ben-ge，并展示了将不同数据模式结合起来应用于土地利用 / 覆盖分类和分割任务的价值，ben-ge 可以作为全监督和自监督地球观测应用的测试基地。
deep learningearth observation datamulti-modalityland-use/land-coverdataset
发现论文，激发创造
  • 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

  • BigEarthNet: 遥感图像大规模基准数据集

    本文介绍了 BigEarthNet—— 一个新的大规模多标签 Sentinel-2 基准数据集，它可以为深度学习提供更方便的训练源，并在遥感图像场景分类问题方面显示出明显的优越性。

    Feb, 2019

  • ChatEarthNet: 用于遥感的全球规模高质量图像 - 文本数据集

    我们提供了一个全球范围、高质量、多样性广泛、描述详细的图像 - 文本数据集 ChatEarthNet，其中包含由 ChatGPT-3.5 生成的 163,488 个图像 - 文本对及额外的由 ChatGPT-4V 生成的 10,000 个图像 - 文本对，这对于远程感知的视觉语言基础模型的训练和大型视觉语言模型的评估具有重要潜力，并将供公众使用。

    Feb, 2024

  • GEO-Bench：地球监测基础模型

    本研究针对遥感任务的基础模型研究进行了探讨，提出了一种包括六项分类任务和六项分割任务的基准测试以及可靠的评估方法，并报告了二十种基线模型的结果，旨在推动地球监测领域的模型进展。

    Jun, 2023

  • BenthicNet: 为深度学习应用的全球海底图像编制

    通过海底成像技术的发展，建立了全球的海底影像数据库 BenthicNet，以用于支持大规模图像识别模型的培训和评估，初步结果表明它有助于自动化大规模和小规模的图像分析任务。

    May, 2024

  • GEOBIND：通过卫星图片绑定文本、图像和音频

    远程感知中，我们关注的是对一些地理位置建模的各种方式。我们提出了一种名为 GeoBind 的深度学习模型，可以从地理位置的卫星图像中推断出文本、图像和音频等多个模态。我们的方法不需要包含所有上述模态的单个复杂数据集，而只需要多个卫星图像配对数据。与传统的单模态模型不同，我们的结果表明，GeoBind 是多功能的，并且能够针对给定的卫星图像输入推理出多个模态。

    Apr, 2024

  • 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

  • Major TOM：面向地球观测的可扩展数据集

    提出终端观察元集 (Major TOM) 作为一种可扩展的框架，该框架包含基于一组网格点的地理索引系统和允许合并具有不同来源的多个数据集的元数据结构。此外，还提供了一个名为 MajorTOM-Core 的大型开放访问数据集，该数据集涵盖了地球陆地表面的绝大部分，为研究社区提供了一个有用的资源和未来 Major TOM 生态系统的模板。

    Feb, 2024

  • 大地数据和机器学习支持可持续和有弹性的农业

    本研究利用地球观测数据、机器学习和大数据方法开发应用程序，致力于监测共同农业政策（CAP）、食品安全及智能耐荒农业等领域，在解决机器学习模型训练的注释数据不足以及推导的价值落实到实际决策之间的差距等问题上取得了一定的方法创新和研究进展。具体来说，通过数据立方体、分布式学习和数据语义化等技术，不仅实现了农作物类型和生长状态估计的预测，也为应对实际农业问题提供了因果解释等机器学习技术支撑。

    Nov, 2022

  • 深度学习在时空大数据上的应用：机遇与挑战展望

    使用 GPS、遥感和计算模拟等技术，收集大量来自地球科学、农业、智能城市和公共安全等领域的时空数据，结合深度学习技术，开创解决以往无法解决的问题的新机遇并提出未来的研究需求。

    Oct, 2023