Nov, 2023

日本的亚米地表覆盖物绘制

PDF
TL;DR利用深度学习方法，通过低成本的标注方式，首次实现了在日本全国范围内对八个类别的亚米级土地覆盖进行地图绘制，该方法利用了全球亚米级土地覆盖基准数据集 OpenEarthMap 中 U-Net 模型，通过在训练失败区域重新训练模型，总体准确度提高了将近 16 个百分点，展现了在国家尺度土地覆盖地图自动更新中使用亚米级光学遥感数据的潜力。地图结果将公开提供。
deep learningsubmeter-level mappingland cover mappingannotation costu-net model
发现论文，激发创造
  • 通用少样本遥感：基于混合语义分割框架的地貌涵盖映射中的新类发现

    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

  • 利用深度学习技术进行土地利用和土地覆盖分类

    通过使用深度卷积神经网络分类空间分辨率非常高（VHR）、正射成像的可见光多光谱图像，本论文探索了自动土地利用 / 土地覆盖（LULC）分类的潜力

    May, 2019

  • 利用卷积神经网络在全球范围内进行城市区域的高分辨率土地覆盖制图

    从高分辨率图像和有限的带噪声标记数据中生成城市区域的七类土地覆盖图的方法，使用 UNet、Resnet 编码器的 UNet 和 Deeplab v3 + 编码器，结合不同的损失函数进行比较研究，并将模型预测拼接在一起生成高价值的土地覆盖图。

    May, 2020

  • 自动化国家城市地图提取

    使用地球观测和深度学习方法，该论文旨在充分利用完全卷积神经网络来实现多类建筑物实例分割，以实现相对较高的像素度量分数，进而在缺乏适当城市规划的地区实现密集区域和贫民窟地区的高准确性结果，并以黎巴嫩为案例，成功产生了首个包含约 100 万个单位且准确率达 84% 的综合性国家建筑物足迹地图。

    Apr, 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

  • 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

  • 应用卷积神经网络对地面图像进行土地利用分类

    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

  • 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

  • 在数据稀缺环境下使用深度学习进行大规模农田绘制：尼日利亚案例研究

    利用机器学习技术结合全球农田数据集和手工标注数据，对尼日利亚进行了 10 米分辨率的新农田图生成，通过评估和比较不同模型及全球土地覆盖地图的性能，发现现有的 WorldCover 地图在测试集上表现最佳。

    Dec, 2023

  • 卫星图像弱监督语义分割用于土地覆盖制图 -- 挑战和机遇

    本文介绍了一种基于弱监督学习策略的方法，以处理远程感知特定形式的弱监督数据，并取得高分辨率大规模土地覆盖映射的进展，基于 SEN12MS 数据集进行了讨论和展示了一些基线结果。

    Feb, 2020