Jul, 2023

农业中的多光谱图像分割：融合方法的综合研究

PDF
TL;DR本研究针对农业应用中的图像分割问题，通过结合 RGB 和 NDVI 作为输入，比较了不同的融合方法在作物行检测中的效果，研究发现，传统的边缘检测和阈值法等经典分割方法在需要精确的前景 - 背景分离任务中具有竞争力，融合策略中的后期融合表现为最有效的方法，在不同的分割场景中展现出卓越的适应性和效果。
multispectral imageryfusion approachescrop row detectionclassical segmentation methodslate fusion
发现论文，激发创造
  • 多源数据增强的光谱图像数据融合

    通过使用插值技术，介绍了一种光谱图像数据融合的方法，以允许机器学习模型在更多数据源上进行训练和使用，从而提供更好的泛化能力。通过使用表面绘图和指标（如 CMSE 和 NDVI），评估了插值结果，并通过估计对语义分割等机器学习模型训练的影响进行间接评估。

    Apr, 2024

  • 使用深度学习对遥感影像植被进行语义分割

    本文介绍了一种利用机器学习技术，结合公开遥感数据，使用卷积神经网络模型实现不同类植被的分离的方法，旨在解决处理遥感数据的效率问题。

    Sep, 2022

  • 通用植被指数在农业土地覆盖分割中的有效数据融合证据

    本文提出了一种新颖的数据融合方法，旨在从卫星图像中更好地区分农业土地覆盖，并介绍了如何将遥感领域的领域知识与深度神经网络相结合以提高模型性能。

    May, 2020

  • Agriculture-Vision: 农业模式分析大型航空图像数据库

    本文介绍了一个名为 Agriculture-Vision 的大规模农业航空图像数据集，通过对该数据集进行语义分割的实验，证明了农业在计算机视觉领域中仍面临着许多挑战。

    Jan, 2020

  • 农业人工智能：基于 Sentinel-2 影像的作物分类的语义分割方法比较

    利用自由可用的卫星图像，探索可用于葡萄园分割问题的主要机器学习方法，并评估各种广泛使用的机器学习技术的有效性，为特定场景选择最合适的模型提供指导。

    Nov, 2023

  • 农业中的高光谱图像分析深度学习技术综述

    本文研究了在农业领域中，利用深度学习方法如 Autoencoders、卷积神经网络（1D，2D 和 3D）、循环神经网络、深度置信网络和生成对抗网络等技术在已知土地覆盖数据集（包括 Indian Pines，Salinas Valley 和 Pavia University）上的成果来解决高光谱成像 (HSI) 分类的过程中，克服光谱区间高度冗余、有限的训练样本以及空间位置与光谱区间之间非线性关系的复杂任务。

    Apr, 2023

  • 单一与综合多光谱航空影像的融合

    使用混合架构，通过从合成孔径感测得到的整体空中图像和传统空中图像提取最重要的特征，以消除由于茂密植被引起的遮挡。该方法结合了环境的空间参考和无遮挡目标的特征，不需要手动调整参数，可以扩展到任意数量和组合的光谱通道，可根据不同用例进行重新配置，超越了现有技术。

    Nov, 2023

  • 农业精密种植：利用机器学习和 Sentinel-2 卫星图像进行作物映射

    本研究利用来自 Sentinel-2 卫星图像的各种光谱波段组合，采用深度学习和基于像素的机器学习方法，对熏衣草田进行精准农业的精确分割，得出了 Dice 系数为 0.8324 的 U-Net 结构的最终模型，同时，我们的研究还强调了像素方法和红绿蓝光谱波段组合在这一任务中的意外功效。

    Nov, 2023

  • 多光谱、高光谱和高空间分辨率航空影像的深度学习语义分割评估

    该研究使用深度学习语义分割方法，在多光谱、高光谱和高空间分辨率的航拍图像数据集上进行了土地覆盖分类，其中 LinkNet 模型在所有数据集中获得了高 IoU 准确率 0.92，评估结果显示多光谱图像在 IoU 和 F1 得分上表现更佳，展示了 LinkNet 和多光谱图像在土地覆盖分类上的高效性和广泛适用性。

    Jun, 2024

  • 利用分层融合卫星、旋转和上下文数据提高作物分类性能

    提出了一种融合多模态信息的方法，用于改进作物类型分类的准确性和稳健性，并针对 740 万个农业地块发布了新的注释数据集。新方法在评估中表现更好，可用于跨领域零样本学习和从法国到荷兰的少样本设定的稳健性。

    May, 2023