Aug, 2023

来自 HYPSO-1 卫星的带有海陆云真实数据的开放高光谱数据集

PDF
TL;DR本研究提出了 HYPSO-1 陆地 - 海洋 - 云层标记数据集，包含来自 HYPSO-1 任务的 200 个多样化的高光谱图像，其中 38 个图像包含来自不同国家的土地 / 海洋 / 云层类别的像素级的 25 百万光谱签名的真实标记，同时还优化了一个深度学习模型（1D 完全卷积网络），显示出优于现有技术的性能。该数据集、标记数据、深度学习模型和软件代码可在指定的网址进行开放下载。
hyperspectral imaginghypso-1sea-land-cloud-labeled datasetground-truth labelsdeep learning model
发现论文，激发创造
  • 卫星高光谱图像中的海陆云分割

    卫星通过边缘推理越来越多地采用机载人工智能技术来提高平台的自主性。本研究通过训练 16 种不同模型来实现高分辨率卫星图像的多类别分割，该研究提供了这些模型的代码并对其进行了综合评估，同时介绍了基于海洋、陆地和云覆盖分类的海洋 - 陆地 - 云覆盖分割应用场景。我们得出的结论是我们轻量级的深度学习模型（称为 1D-Justo-LiuNet）在海洋 - 陆地 - 云碧书分割方面的性能（0.93 准确率）和参数数量（4,563 个）方面始终优于现有的 U-Net 及其变体，然而 1D 模型在测试处理架构中表现出的推理时间较长（15 秒），这是明显不太理想的。此外，我们还证明了轨道内图像分割应该在 L1b 辐射计校准之后进行，而不是在原始数据上进行，并额外显示将光谱通道减少到 3 会降低模型的参数数量和推理时间，但牺牲了分割性能。

    Oct, 2023

  • 图卢兹高光谱数据集：用于评估半监督光谱表示学习和像素级分类技术的基准数据集

    通过空中高光谱图像，利用具有极高空间和光谱分辨率以及覆盖广泛光谱领域的特点，进行大型城市地表覆盖的绘制。然而，由于训练数据的有限性，利用现有机器学习算法对地表覆盖进行绘制的能力受到了严重限制。针对标记数据的稀缺性，半监督和自监督技术引起了社区的广泛关注。因此，我们在本文中发布了 Toulouse Hyperspectral 数据集，以满足光谱表示学习和大规模高光谱图像分类中的关键问题。此外，我们讨论和实验了 Masked Autoencoders 的自监督任务，并建立了一个基于常规自编码器与随机森林分类器相结合的像素级分类基线，实现 82％的总体准确性和 74％的 F1 得分。

    Nov, 2023

  • 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

  • DynamicEarthNet：语义变化分割日常多光谱卫星数据集

    这篇文章介绍了一种名为 DynamicEarthNet 的数据集，其中包含每日地球观测数据和 7 种土地利用和覆盖类别的高质量标签，提供了研究土地利用演变方面的极其有用的资源。此外，文章还提出了一个新的评估指标 SCS 以应对时间序列语义变化分割中的特定挑战，并比较了几个半监督学习和时空学习的基线方法。

    Mar, 2022

  • EuroSAT：一个用于土地利用和覆盖分类的新数据集和深度学习基准

    本文介绍一种针对 Sentinel-2 卫星图像进行土地利用和土地覆盖分类的方法，提供了一个包含 13 个光谱波段及 10 类共 27,000 个标记和地理参考图像的新数据集，并使用最先进的深度卷积神经网络提供了基准测试。通过这一分类系统，可以用于检测土地利用和土地覆盖的变化，并帮助改进地理地图。

    Aug, 2017

  • 生成土地覆盖分类训练数据集以推进全球发展

    使用 Sentinel-2 卫星数据和 Random Forests 算法的语义分割技术可用于高精度地图绘制，为农业和经济发展提供一种可行技术。

    Nov, 2018

  • 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

  • 卫星载荷高光谱云检测的域自适应

    利用卫星搭载的机器学习硬件加速器，通过卷积神经网络等机器学习技术在机载上处理有效载荷数据的出现，其中一个重要的例子是使用卷积神经网络在地球观测任务中检测高光谱数据中云的存在，仅将晴空数据进行下行传输以节省带宽。然而，在新任务部署之前，使用新传感器的新任务将没有足够的代表性数据集来训练卷积神经网络模型，而仅使用以前任务的数据训练的模型在新任务的数据处理过程中会表现不佳。这个问题源于领域差异，即由以前和未来任务中由不同传感器生成的数据的基本分布的差异。本文针对机载高光谱云检测中的领域差异问题进行了研究。我们的主要贡献在于制定了由具体的地球观测任务驱动的新领域适应任务，开发了一种新颖的用于带宽高效、有监督领域适应的算法，并在太空部署型神经网络加速器上验证了测试时领域适应算法。我们的贡献使得只需最小程度的数据传输（例如，ResNet50 中只传输 1% 的权重）即可实现领域适应，在卫星上部署和更新更复杂的卷积神经网络模型，而不会受到领域差异和带宽限制的阻碍。

    Sep, 2023

  • 用于极短期太阳能预测、云分析和建模的开源地基天空图像数据集：综述

    该研究对短期（预测时间少于 30 分钟）太阳能预测的数据集进行了综合调查，并开发了基于八个维度的多标准排名系统，以评估调查的数据集。同时，介绍了与阳光能预测相关的其他研究领域和使用这些数据集的不同应用。

    Nov, 2022

  • SpaceNet 6：多传感器全天候制图数据集

    本文提出了一个开放的多模式全天候映射数据集和挑战，包括光学和 SAR 数据，以及建筑物足迹标注，用于探索 SAR 数据在灾害响应和建筑物足迹提取方面的应用效果，发现使用光学预处理的 SAR 数据在建筑物足迹提取中取得了更好的效果。

    Apr, 2020