多源卫星 SAR 和光学图像在森林制图中的深度学习模型转移
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
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
本文提出了一种半监督回归建模方法,通过利用建立于航空激光扫描数据和 C 波段合成孔径雷达的预测地图来生成有效的伪目标训练数据,解决了传统回归模型样本量不足的问题,并成功实现了在坦桑尼亚和挪威的不同地区和森林类型上进行地面生物量和树干体积的预测。
Jun, 2023
该研究使用高分辨率卫星图像,结合深度学习方法(DNN 和 U-Net),主要关注不丹帕罗地区的作物类型和范围,证明了深度学习方法可以预测水稻,并可以与不丹农业部目前使用的基于调查的方法相结合。同时,利用区域土地覆盖产品作为弱标签方法来解决类别不平衡问题,并改进深度学习应用的抽样设计。此外,通过初步的模型测试和比较表明,使用额外特征如 NDVI、EVI 和 NDWI 没有明显改善模型性能。
Jun, 2024
基于光学和合成孔径雷达卫星影像,我们提出了一种基于注意力引导的 UNet 架构的森林砍伐估计方法,通过训练和验证模型,得出了 93.45% 的像素准确率和 0.79 的 F1 分数与 0.69 的 IoU。
Jul, 2023
对合成孔径雷达数据进行深度学习应用于地图制作越来越常见,本文通过对比从头训练和微调预训练模型的性能,发现预训练模型在海冰映像的测试样本中表现更好,尤其是在融化季节。
Oct, 2023
利用深度学习从卫星图像中检测船只是海上监视的一种不可或缺的解决方案。然而,将在一个数据集上训练的深度学习模型应用于具有空间分辨率和辐射特征差异的其他数据集时,需要进行许多调整。为了解决这个问题,本文研究了基于包含不同光学图像和雷达与光学数据组合的数据集进行训练的深度学习模型。通过这种方法处理有限数量的训练图像时,深度学习模型的性能是令人满意的。它们可以根据测试的光学图像提高平均精度 5-20%。同样,使用在光学与雷达数据集上训练的深度学习模型可以应用于光学和雷达图像。我们的实验表明,在光学数据集上训练的模型可以用于雷达图像,而在雷达数据集上训练的模型在应用于光学图像时得分非常低。
Mar, 2024
利用自监督预训练技术在大规模卫星数据上取得了重要进展,同时发现在地表覆盖地表利用产品等自由全球语义信息资源和自然世界的视觉基础模型等重要资源的应用能显著提高地球观测预训练的效率和效果。
May, 2024
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