Jan, 2024

CloudTracks: 云中船舶轨迹定位的卫星图像数据集

PDF
TL;DR通过分析卫星图像，我们提供了一个数据集 CloudTracks，其中包含超过 12,000 个船舶路径实例注释，以开发自动定位船舶路径的方法。我们的最佳模型在定位船舶路径方面的性能明显优于之前的最新研究，但我们也发现最佳模型在准确定位和计数船舶路径方面仍存在困难，因此我们希望 CloudTracks 能够促进对卫星图像中细长、重叠的特征更好地检测的新型机器学习方法。
cloudsglobal temperature regulationanthropogenic emissionsship trackssatellite images
发现论文，激发创造
  • 全球全季 Sentinel-2 卫星影像云去除的多源数据融合

    通过构建一个新的数据集，本文针对云遮挡导致的地球影像质量下降问题，提出了一种适用于不同区域、季节和云覆盖度变化的新型云去除模型，并在两个性能指标上进行了评估。

    Sep, 2020

  • 使用深度学习检测人为云扰动

    本研究使用深度卷积神经网络寻找人为气溶胶引起的云层扰动，以评估它们的特性和普遍性，为气候效应提供有价值的洞见。

    Nov, 2019

  • OpenContrails: 基于 GOES-16 ABI 的 Contrail 探测基准测试

    本文提供一个人工标注的数据集用于开发和评估基于 GOES-16 Advanced Baseline Imager 数据的 contrail 检测模型，并提出并评估一个结合时间因素的 contrail 检测模型，这是开发自动 contrail 检测系统的必备工具，以减少航空对气候变化的影响。人工标注的数据集和 contrail 检测输出都公开在 Google Cloud 存储空间中。

    Apr, 2023

  • 利用深度学习和卫星图像自动检测黑暗船对船转移

    使用卷积神经网络准确检测各种船舶和船舶间转运，通过卫星图像和船载 GPS 数据交叉引用，应用该方法于乌克兰和俄罗斯之间的克尔奇海峡，识别 2022 年以来 400 多起黑暗中转运事件。

    Apr, 2024

  • SimuShips -- 一份高分辨率的模拟船只检测数据集，具备精确标注

    本文介绍了一种名为 SimuShips 的用于海上环境的基于模拟的数据集，其中包含各种类型的障碍物，经过了多种气象和照明条件的处理，并通过边界框的形式提供了注释。同时，我们使用 YOLOv5 进行实验，并发现将真实图像与模拟图像相结合可以提高所有类别的召回率。

    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

  • 结合 UPerNet 和 ConvNeXt 进行凝结轨迹识别以减少全球变暖

    通过使用卫星图像中的语义分割技术，本研究致力于改进对飞机尾迹的检测模型，减少其对气候变化的影响，并取得了非常出色的结果，将其置于参与团队的前 5％，凸显了分割模型的创新性以及在卫星图像中改进飞机尾迹识别的潜力。

    Oct, 2023

  • 为云光学厚度估计创建和基准测试一个合成数据集

    通过在 Earth observation（EO）环境中使用机器学习（ML）方法，并提出一种新的合成数据集，该研究旨在改善遥感领域中云光学厚度（COT）估计的可靠性。

    Nov, 2023

  • 利用基于 RGB 的 CLIP 视觉语言模型在卫星图像中检测云的存在

    该研究探讨了预训练的 CLIP 视觉 - 语言模型在识别受云影响的卫星图像方面的能力。提出并评估了几种使用该模型进行云存在性检测的方法，包括纯零样本操作和几种微调方法。此外，测试了这些方法在不同数据集和传感器类型（Sentinel-2 和 Landsat-8）之间的可迁移性。结果表明，CLIP 在云存在性检测任务上可以实现非平凡的性能，并且具有跨感知模式和感知频带泛化的明显能力。研究还发现，低成本的微调阶段可以显著提高真阴性率。结果表明，CLIP 模型学习的表示对涉及云的卫星图像处理任务具有用途。

    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