Jul, 2023

改进的洪水洞察：基于扩散的合成孔径雷达到光学图像转换

PDF
TL;DR研究介绍了一种利用合成孔径雷达数据的洪水检测技术，通过一种名为扩散 SAR 到 EO 图像翻译（DSE）的框架，将 SAR 图像转换为 EO 图像，提高了对人类的可识别性， 实验结果表明，DSE 框架不仅提供了增强的视觉信息，而且在所有测试的洪水分割基线中均有所提高。
flood eventselectro-optical satellite imagerysynthetic aperture radardiffusion-based sar to eo image translationflood segmentation
发现论文，激发创造
  • SAR2EO: 高分辨率图像翻译框架与去噪增强

    该篇论文提出了 SAR2EO 框架，使用粗到细的生成器、多尺度判别器和改进的对抗性损失生成高质量的 EO 图像，并引入降噪模块来去除 SAR 图像的噪声。证实了该框架在 MAVIC 数据集上效果显著，赢得了 CVPR PBVS 2023 的第一名。

    Apr, 2023

  • 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

  • UrbanSARFloods: 用于城市和开放区域洪水制图的基于 Sentinel-1 SLC 的基准数据集

    通过介绍 UrbanSARFloods 数据集，研究考察了卫星合成孔径雷达在大规模洪水测绘方面的局限性，发现目前的方法无法克服数据不平衡和小型训练数据集的限制，探索了解决不平衡数据挑战和利用迁移学习进行基于合成孔径雷达的大规模洪水测绘的潜力，为深化洪水测绘技术的应用做出贡献。

    Jun, 2024

  • Multimodal SAR 到 EO 图像转换的 MultiEarth 2023 挑战中的第一名解决方案

    本文介绍了一个旨在通过利用广泛时间内收集的遥感数据，对地球生态健康进行监测和分析的跨模态学习多个任务的工作坊，并提出了清洁收集器算法，以清除可能妨碍数据学习过程的因素，并对图像进行增强，最终在 SAR-to-EO 任务中实现了较好的表现。

    Jun, 2023

  • SatDiffMoE: 卫星图像超分辨率的混合估计方法与潜在扩散模型

    通过扩散模型，我们提出了一种名为 SatDiffMoE 的新型融合算法，它可以将任意数量的时序低分辨率卫星图像作为输入，通过融合不同时间点的补充信息，合成具有更多细节的高分辨率重建图像。实验结果表明，与先前的方法相比，我们提出的 SatDiffMoE 方法不仅在各种数据集上实现了卓越的卫星图像超分辨率任务性能，而且具有改进的计算效率和减少的模型参数。

    Jun, 2024

  • 利用热力学启发式网络实现 SAR 到光学图像的转换

    本文提出了一种基于热力学理论设计的新型算法 ——SAR-to-Optical Image Translation (S2O-TDN)，通过设计第三阶差分残差结构和应用热力学一定律指导分支，并结合 SEN1-2 数据集的实验，证明 S2O-TDN 相较于常规算法，在提高图像质量和保存结构等方面有明显的优势。

    May, 2023

  • 利用 Sentinel-1、Sentinel-2 和 Landsat-9 图像融合改进洪水制图以识别受洪灾影响的人口和基础设施以实现高效政策设计

    本文提出了一种将光学和 SAR 遥感图像融合到共同数据空间中的方法，并在巴基斯坦 2022 年洪水中进行实证研究，揭示了洪水泛滥对地区人口和基础设施的影响。

    May, 2023

  • 利用 Sentinel-1 SAR 数据和 AutoML 估计光学植被指数

    使用合成孔径雷达（SAR）数据进行森林监测，对于解决光学数据的问题并使用机器学习估计森林的光学查找指数（VIs）表现出较好的效果，通过创建多时序和多模态数据集来进行 VI 估计，在时间和空间上与 Sentinel-1、Sentinel-2、DEM、天气和土地覆盖数据集的对齐下取得了较好的结果。

    Nov, 2023

  • 使用机器学习算法在谷歌地球引擎上实现的 Sentinel-1 和 Sentinel-2 数据的地表分类集成

    通过在 Google Earth Engine 平台上实施监督机器学习算法，将 Sentinel-1（S-1）和 Sentinel-2（S-2）数据集成，以用于特定区域的地表分类。结果表明，在这种情况下，雷达和光学遥感提供互补信息，有利于地表覆盖分类，从而提高了映射的准确性。此外，本文还证明了 GEE 作为一种处理大量卫星数据的有效云端工具的新兴作用。

    Aug, 2023

  • DAM-Net: 基于差分注意力度量的视觉 Transformer 技术在 SAR 图像中全球洪涝检测

    本文提出一种新的基于差分注意力度量的网络 --DAM-Net，用于检测洪水区域。DAM-Net 包括两个关键组件：一个共享权重的双子背骨结构，用于获得多时相图像的多尺度变化特征和具有高级语义信息的表示水体变化的令牌，以及一个融合语义令牌和变化特征的时态差分融合模块，以生成减少斑点噪声的洪水地图。通过在提出的 S1GFloods 数据集上进行实验，证明 DAM-Net 相比当前最先进的方法在总体精度、F1 分数和 IoU 三个指标上都有明显提升。

    Jun, 2023