利用 Sentinel-1 时间序列、GIS 和语义分割模型进行海上风电场实例分割

Dec, 2023

利用 Sentinel-1 时间序列、GIS 和语义分割模型进行海上风电场实例分割

Offshore Wind Plant Instance Segmentation Using Sentinel-1 Time Series, GIS, and Semantic Segmentation Models

Osmar Luiz Ferreira de Carvalho, Osmar Abilio de Carvalho Junior, Anesmar Olino de Albuquerque, Daniel Guerreiro e Silva

TL;DR使用语义分割模型和 Sentinel-1 时间序列，本研究旨在实例级别检测海上风电厂，并开发了一个含有标记数据和 S-1 时间序列的数据库，比较了五种深度语义分割架构的性能，并研究了不同时间序列间隔的维度以及评估了语义到实例转换过程的效果。

Abstract

offshore wind farms represent a renewable energy source with a significant global growth trend, and their monitoring is strategic for territorial and environmental planning. This study's primary objective is to detect offshore wind plants at an instance level using →

offshore wind farms semantic segmentation models sentinel-1 time series augmentation strategy semantic-to-instance conversion procedure

发现论文，激发创造

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

多模态和多尺度深度网络在地球观测数据的语义分割中的应用

本文研究了使用深度完全卷积神经网络（DFCNN）对地观测图像进行像素级场景标记。作者使用了变种的 SegNet 架构对城市区域的遥感数据进行训练，并研究了不同的准确语义分割方法。作者提出以下贡献：1）作者有效地将 DFCNN 从常规日常图像转移到遥感图像领域；2）作者引入了一个多核卷积层以便于对多个尺度上的预测进行快速聚合；3）作者使用残差校正对异构传感器（光学和激光）的数据进行融合。所提出的方法在 ISPRS Vaihingen 2D 语义标记数据集上改进了现有技术的准确率。

Sep, 2016

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

卫星高光谱图像中的海陆云分割

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。

Oct, 2023

基于领域适应预训练和复合双主干的细粒度建筑屋顶实例分割

我们提出了一个有效的框架来实现对高分辨率光学卫星图像中个别建筑物的语义解释，通过采用领域自适应预训练策略和复合双支干，以及新的数据增强流程、随机权重平均训练和基于实例分割的模型集成，实现了额外的性能提升。值得注意的是，我们还探讨了光学卫星图像和 SAR 数据的多模态数据融合的潜力。

Aug, 2023

城市植被点分割的深度学习架构基准测试

本文从植被分割的角度探讨深度学习模型在城市环境下的应用，评估了四种不同的模型并在三个数据集上进行实验，提供了一些优化植被分割的方案。

Jun, 2023

多类地面分割的特征金字塔网络

提出了一种基于完全卷积神经网络的自动多类土地分割方法，该网络具有良好的准确性和中等的内存使用率，可用于解决城市规划、环境工程或自然景观监测等问题。

Jun, 2018

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

边缘深度学习：利用卷积神经网络从卫星图像中提取地块边界

本文提出了一种利用卫星图像进行农田边界提取的深度学习方法，将该问题转化为多任务语义分割问题，综合考虑像素属于农田、是否是边界以及距离最近边界的距离等三个标签，从而实现准确、可扩展的农田边界提取，该方法在解决现实农业大规模数据采集问题中具有潜在的应用前景。

Oct, 2019