通过对手机数据进行聚合和分类,结合遥感技术,建立了一种半监督模糊 c 均值聚类方法,以推断城市用地类型,可以有效地提供城市规划及用地分类的更多信息。
Oct, 2013
本文介绍了一种利用多模态数据和深度学习方法的城市地块级别自动土地利用变更监测模型,并在法国区域和城市的测试中取得了很好的效果。
May, 2019
利用遥感技术和深度卷积神经网络,分析大规模卫星图像数据中的城市土地利用模式,并提供数据集以供遥感应用的机器学习研究人员使用。
Apr, 2017
通过对多个数据集进行比较,本研究评估了多种融合策略对农作物分类的影响,发现多视角融合方法能够超越单个视角和先前的融合方法,在选择融合方法时提出了初步的标准。
Aug, 2023
利用地面图像进行城市尺度上的精细土地利用分类,使用地理引用的 Flickr 图像创建框架并使用卷积神经网络进行分类。
Feb, 2018
使用 Flickr 上的地面图像和深度学习方法进行土地利用地图绘制,并针对地理位置和室内 / 室外进行筛选和半监督数据增强,从而最终实现了 76% 的准确性。
Sep, 2016
提出了一种名为 SegLand 的广义少样本分割框架,用于在高分辨率土地覆盖映射中更新新颖类别,实验表明该框架在有限标记数据下自动更新新颖土地覆盖类别方面具有优越性。
Apr, 2024
提出了一种融合多模态信息的方法,用于改进作物类型分类的准确性和稳健性,并针对 740 万个农业地块发布了新的注释数据集。新方法在评估中表现更好,可用于跨领域零样本学习和从法国到荷兰的少样本设定的稳健性。
May, 2023
基于最新的域自适应和泛化进展,我们提出了一种深度学习框架 (REFeD) 来结合来自两个不同领域的遥感和参考数据 (例如历史数据和新数据),以改善当前的土地覆盖映射过程。实验评估结果表明,来自相同 (或类似) 研究地点的不同时间段的年度外信息可以成为增强土地覆盖映射过程的宝贵附加信息源。
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