Jul, 2023

利用语义分割方法进行遗址激光雷达数据中埋藏考古结构识别的迁移学习

PDF
TL;DR应用深度学习于考古学的遥感数据时，一个显著的障碍是适用于训练模型的数据集有限。本文通过比较两个 LiDAR 数据集上两种语义分割深度神经网络的多种迁移学习配置的性能，结论表明考古学中基于迁移学习的方法可以提高性能，但尚未观察到系统性的改进，为未来工作提供了基线。
发现论文，激发创造
  • 激光雷达可视化对考古物体语义分割的影响

    本研究通过一个全面的测试框架，研究了可视化对深度学习性能的影响，结果表明适当的可视化选择可以提高性能高达 8%，然而找到一个在分割所有考古类别中表现出色的可视化方法仍然具有挑战性，实验结果突显了在成功分割考古对象时，精心选择模型配置和 LiDAR 可视化的重要性。

    Apr, 2024

  • 遥感数据语义分割学习模型的可转移性研究

    深度学习模型应用于遥感语义分割 / 分类任务，需要大规模训练数据，但由于地理区域之间遥感图像内容的差异性，其可迁移性不足。本研究利用四个高度多样化的遥感数据集，训练了六个模型，并分析了它们之间的可迁移性以及领域适应方法在提高模型可迁移性方面的效果。此外，提出了一种基于光谱指数的简单方法来量化模型的可迁移性，在标签不可用时评估目标领域的模型可迁移性。该研究的发现有助于指导通用遥感学习模型的未来发展。

    Oct, 2023

  • 深度语义模型融合在古代农业梯田检测中的应用

    通过结合深度语义模型融合方法，以航拍图像和激光雷达生成的地形特征为输入数据，在内盖夫沙漠中实现了对古代农业平台的自动检测和识别。该方法在国际人工智能考古挑战赛中获得第一名。

    Aug, 2023

  • 基于地势信息的自主学习：利用有限注释增强 LiDAR 数据中的建筑物提取

    使用地面高程模型和自我监督学习的方法，在建筑物分割地图中利用少量标签数据取得了较好的效果，对于在遥感领域中提取特征具有高效性和有效性。

    Nov, 2023

  • 基于深度神经网络的建筑轮廓分割多任务学习

    本文研究了高分辨率遥感卫星图像中像素级预测方法的挑战，提出了一种新的级联多任务损失来保留语义分割边界。结果表明，不需要额外的后处理步骤，我们的方法在 Inria 航空图像标注数据集上优于现有技术 8.3％。

    Sep, 2017

  • 利用航空 LiDAR 图像分割揭示古代玛雅定居点

    利用深度学习的最新进展，本文展示了如何利用 YOLOv8 神经网络来准确地分割航空 LiDAR 图像中的考古结构，通过对原始 LiDAR 数据的新型预处理和数据增强方法来训练 YOLOv8 网络，提高了平台和环状结构的分割的准确度、精度和召回率，优于现有方法，该方法自动化了耗时的 LiDAR 图像标注，显著加速了对历史景观的准确分析。

    Mar, 2024

  • 实时语义分割：遥感中的简要调查与比较研究

    远程感知影像的实时语义分割是一个具有挑战性的任务，需要在效果和效率之间进行权衡。本论文总结了设计高效深度神经网络的基本压缩方法，并对远程感知影像的实时语义分割的最新发展进行了简要而全面的调查。实验结果表明，现有的大多数高效深度神经网络都具有良好的分割质量，但它们存在推理速度低（即高延迟率）的问题，可能限制了它们在实时应用中的部署能力。我们对远程感知影像实时语义分割的当前趋势和未来研究方向提供了一些见解。

    Sep, 2023

  • 基于深度特征的遥感与贫困测绘迁移学习

    通过机器学习从高分辨率遥感图像中提取大规模社会经济指标，以辅助政策决策和人道主义救助，特别是在发展中国家等缺乏可靠数据的地区。

    Oct, 2015

  • 运用迁移学习实现全球农作物地图

    本文使用卫星数据和深度学习方法，建立一个基于转移学习的农作物类型检测模型，成功地在韩国、法国、西班牙和荷兰等地区对水稻和大麦进行了检测。

    Nov, 2022

  • 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