Oct, 2023

卫星高光谱图像中的海陆云分割

PDF
TL;DR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。
发现论文，激发创造
  • 高光谱卫星数据中的轨道云分割与分类的深度学习

    本文探讨了最新的卷积神经网络（CNNs），用于高光谱卫星上的云检测。评估了最新的 1D CNN（1D-Justo-LiuNet）和两个最近的 2D CNNs（nnU-net 和 2D-Justo-UNet-Simple）在云分割和分类方面的性能，包括轨道中部署的精度和计算效率。实验使用了 NASA 的 EO-1 Hyperion 数据，并通过主成分分析获得不同的光谱通道数。结果表明，1D-Justo-LiuNet 在精度上达到了最高水平，在维持较大光谱通道集合的紧凑性的同时，胜过了 2D CNNs，尽管推理时间有所增加。然而，在光谱通道减少的情况下，1D CNN 的性能会下降。在这种情况下，2D-Justo-UNet-Simple 在轨道中部署时提供了最佳的平衡，考虑到精度、内存和时间成本。尽管 nnU-net 适用于地面处理，但推荐在高精度应用中部署轻量级的 1D-Justo-LiuNet。或者，推荐在轨道上在时间和精度之间取得平衡的轻量级 2D-Justo-UNet-Simple。

    Mar, 2024

  • 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

    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。

    Aug, 2023

  • BenchCloudVision: 云检测和遥感影像云分割的深度学习方法评估

    对云的分割从遥感图像进行了七种切割和检测算法的基准分析，评估了其架构方法，并确定了最佳性能。评估了模型在使用少量光谱波段进行云图分割时的灵活性。使用 Sentinel-2 和 Landsat-8 作为数据集进行了实验验证。

    Feb, 2024

  • 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 U-Net 模型进行卫星图像分割以进行土地覆盖分类

    本研究旨在使用改进的 U-Net 结构的卷积机器学习模型，基于卫星图像创建土地覆盖分类映射，使用 BigEarthNet 卫星图像归档和原始数据集对模型进行训练和测试，结果显示可以提高现有土地分类图的精度和土地覆盖变化检测。

    Mar, 2020

  • MetaSegNet: 基于元数据协同的视觉语言表示学习用于遥感图像语义分割

    我们提出了一种基于视觉 - 语言表示学习的元数据协作多模态分割网络（MetaSegNet），该网络用于遥感图像的语义分割，并展示了卓越的泛化性能和与现有方法相竞争的准确性。

    Dec, 2023

  • 基于深度神经网络的建筑轮廓分割多任务学习

    本文研究了高分辨率遥感卫星图像中像素级预测方法的挑战，提出了一种新的级联多任务损失来保留语义分割边界。结果表明，不需要额外的后处理步骤，我们的方法在 Inria 航空图像标注数据集上优于现有技术 8.3％。

    Sep, 2017

  • 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

  • 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

  • 使用深度学习技术的单模态和多模态超光谱图像分析

    应用深度学习技术来处理高光谱影像的挑战，如高维度和有限空间分辨率，并通过多模态学习整合雷达和合成孔径雷达数据以提高空间分辨率。此外，采用对抗学习和知识蒸馏来解决领域差异和缺失模态的问题。通过自监督学习方法应对有限的训练样本，并通过降维的自动编码器和半监督学习技术利用无标签数据。所提出的方法在各种高光谱数据集上进行评估，并持续超越现有的最先进技术。

    Mar, 2024