Oct, 2023

FLAIR：多源光学影像的国家尺度地表覆盖语义分割数据集

PDF
TL;DRFLAIR 是法国地理和森林信息国家研究所（IGN）提供的一个大规模地理数据集，包含高分辨率航空图像和时间序列光谱数据，用于大规模土地覆盖语义分割的方法的开发和评估，以及对城市增长、森林破坏和土地人工化等人类发展指标的监测和理解。
french land cover from aerospace imagery (flair)geospatial analysisland-cover classificationcomputer visionanthropogenic development indicators
发现论文，激发创造
  • FLAIR #2: 多源光学图像的纹理和时间信息用于语义分割

    该研究介绍了 FLAIR #2 数据集，它利用高分辨率航空影像和高分辨率卫星影像的时间和光谱信息进行地物语义分割和地表覆盖制图， 以此促进创新和提高我们对领土的了解。

    May, 2023

  • FRACTAL：用于多样化景观的三维语义分割的超大规模航空雷达数据集

    通过采样、建立并评估一个大规模的倾斜航空激光雷达 (FRACTAL) 数据集，从而支持大规模土地监测的三维深度学习方法的发展。

    May, 2024

  • ECLAIR：用于语义分割的高保真航空 LiDAR 数据集

    ECLAIR 是一个新的室外大规模航空激光雷达数据集，它旨在推动点云语义分割的研究。该数据集是迄今为止最全面和多样化的，覆盖面积为 10 平方公里，包含近 6 亿个点，并包含 11 个不同的物体类别。作为一个基准测试，我们使用 Minkowski 引擎对基于体素的点云分割方法进行定性和定量分析。

    Apr, 2024

  • 基于视网膜的基础语言 - 图像模型（FLAIR）：通过文本监督编码专业知识

    FLAIR 是一个用于通用视网膜底层图像理解的预训练视觉语言模型，它整合了专家领域知识，具有强大的泛化能力和优于全面训练模型的性能，尤其在少样本情况下，FLAIR 表现出色。

    Aug, 2023

  • LandCover.ai: 利用航空图像自动绘制建筑物、林地、水域以及道路地物的数据集

    介绍了 LandCover.ai 数据集，该数据集用于语义分割，包括建筑，森林，水和道路等对象的手动标注。将卫星或航空图像与计算机视觉和深度学习相结合可以精确评估土地利用和土地覆盖的变化，它对自然资源管理，农业，林业或公共管理非常重要。

    May, 2020

  • 用于土地覆盖分类的多模态遥感基准数据集和共享特征学习模型

    本文提出了一个用于遥感数据的前沿技术 —— 共享和特定特征学习（S2FL）模型。该模型不仅可以将多模式遥感数据分解为模态共享和模态特定组件，更可以在陆地覆盖分类等多方面任务上发挥有效作用，达到其前沿性和先进性的地位。

    May, 2021

  • 佛兰德生物估值地图：基于 Sentinel-2 卫星图像分析

    在远程感知分析中，机器学习对于土地利用 / 覆盖（LULC）领域至关重要。本文介绍了一种全面的方法来解决 LULC 研究中的挑战，包括提供 Flanders 地区的详细和准确的像素级标注数据集以及语义分割模型的训练流程，以填补许多地区在这方面研究中缺乏统一、规范化数据集和工作流程的空白。

    Jan, 2024

  • 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

  • 加拿大农田数据集：用于农业多时相深度学习分类的新地表覆盖数据集

    通过遥感监测土地覆盖对于研究环境变化以及通过作物产量预测确保全球粮食安全至关重要。该研究建立了一个加拿大农田的时间序列数据集，包含了来自 10 个作物类别的高分辨率图像，并提供用于预测作物类别的模型和源代码，可用于加速土地覆盖的准确连续监测，以促进健壮的农业 - 环境模型的创建。

    May, 2023

  • 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