Oct, 2023

结合循环和剩余学习的多时相 SAR 图像监测森林破坏

PDF
TL;DR通过利用合成孔径雷达（SAR）多时相数据来监测巴西雨林中的森林砍伐，并提出了三种增强森林砍伐检测准确性的深度学习模型，其中 RRCNN-1 具有最高准确性和最短处理时间。
amazon rainforestdeforestation monitoringdeep-learning modelssar datamultitemporal sequences
发现论文，激发创造
  • 利用卫星图像进行深度多模式学习的快速森林砍伐和烧毁区域检测

    利用深度卷积神经网络和多模卫星图像对亚马逊森林的砍伐估测和火灾检测问题进行了研究，并提出了一种新的数据集和处理技术。

    Jul, 2023

  • 2023 年 MultiEarth 森林砍伐挑战 ——FOREVER 团队

    通过多视角学习策略、最新的深度神经网络模型和多模态数据集，采用全面的数据增强和多样化网络方法，能够有效而准确地预测亚马逊雨林地区的森林砍伐情况。

    Jun, 2023

  • CVPR 2023 亚马逊地区森林砍伐估计挑战赛：SpaceVision4Amazon

    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

  • 遥感图像的多标签分类

    本研究旨在通过运用不同的机器学习和深度学习模型将亚马逊雨林的卫星图像碎片进行分类和标记，并通过 F2 度量来评估分类器的准确性和损失函数。经过预训练的 ImageNet 体系结构用于提取特征，最终实现了 0.927 的最佳 F2 得分。

    Jan, 2022

  • MultiEarth 2022 森林砍伐挑战 --ForestGump

    利用卫星图像和深度神经网络结合的方法，通过对 Sentinel-1，Sentinel-2 和 Landsat 8 的数据进行精细处理，成功地对亚马逊森林地区的砍伐情况进行了高准确度的估算。

    Jun, 2022

  • 通过循环神经网络利用多时相空间数据进行土地覆盖分类

    本文研究使用 Recurrent Neural Networks 中的 Long-Short Term Memory（LSTM）模型来进行基于卫星图像时间序列的土地覆盖分类，并与传统方法进行了比较，结果表明 LSTM 模型在处理高度混合的图像分类问题方面表现更具竞争力。

    Apr, 2017

  • 基于循环卷积神经网络 (R-CNN) 从 Sentinel-2 数据中学习时间特征，提高土地覆盖和作物分类

    本文开发了基于时序相关性的 Pixel R-CNN 模型，可以通过学习多幅图像的时间相关性来进行自动特征提取，从而实现低成本农作物分类，对 15 种作物进行了测试。与传统算法相比，该模型在中北部意大利农业系统拥有支配性经济作物类型的数据集上获得了 96.5％的准确率，为进行多时序分类任务提供了高度准确且低成本的方法。

    Apr, 2020

  • 使用循环神经网络从多时相 Sentinel-2 数据中检测城市变化

    本文介绍了一种基于深度学习方法的城市变化检测框架，该框架结合了全卷积网络和强大的循环神经网络，能够在 Sentinel-2 数据集上对城市变化进行更精确的检测。实验结果表明，该框架在测试数据集上达到了 95% 的整体精度和 1.5% 的增加变化类别 F1 值的表现。

    Oct, 2019

  • 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

  • 大规模掩码自编码减少合成孔径雷达数据的标签要求

    利用遥感卫星监测和缓解人为气候变化的影响在关键的干预和政策决策方面有着重要作用。合成孔径雷达 (SAR) 提供了一种强大的光学数据替代方案，通过自监督预训练方法在预测植被覆盖和土地分类关键任务上减少了标记数据需求，从而大大推进了气候变化监测的发展。

    Oct, 2023