Feb, 2024

利用深度学习生成合成 SAR - 光学数据提高农作物分类的准确性

PDF
TL;DR利用合成孔径雷达和光学图像融合能够显著提高农作物分类的准确性，但是传统方法在处理少数类别农作物的训练数据方面仍存在限制。本研究中，我们探索了条件表生成对抗网络（CTGAN）作为一种基于深度学习网络的合成数据生成方法，以解决农作物分类中少数类别训练数据有限的挑战。研究结果表明，该方法可以生成高质量的合成数据，显著增加少数类别样本数量，从而提高农作物分类器的性能。
crop classificationremote sensing datasar-optical imagestraining datasynthetic data generation
发现论文，激发创造
  • 利用生成对抗网络方法人工生成大数据以改善图像分类：以 SAR 数据为例

    本研究提出了一个 VHSR SAR 图片数据库，并且探讨了基于补丁的城市和城市周边区域分类。使用大型 CNN 分类模型和预训练网络来确定有效性，此外还运用生成对抗网络来生成数据测试数据对分类精度的影响。

    Nov, 2017

  • 远程感知图像中的数据增强和适应的条件生成对抗网络

    使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

    Aug, 2019

  • 跨领域早期作物映射：使用 CropGAN 和 CNN 分类器

    通过丰富的卫星图像和机器学习技术的驱动，该论文提出了一种名为 CropGAN 的作物生成对抗网络，以解决农作物分布图生成中源领域与目标领域之间的跨域问题，避免了目标领域标签的需求，通过学习一个映射函数将目标领域的光谱特征转换到源领域，从而实现了在目标领域产生高精度早期作物地图的目标。该方法在多个地区和年份的广泛实验中证明了其优势和有效性，与直接传输策略相比，应用 CropGAN 后的 F1 得分提高了 13.13% 至 50.98%。

    Jan, 2024

  • 利用分层融合卫星、旋转和上下文数据提高作物分类性能

    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

  • 农业图像增强的生成式对抗网络：一篇系统综述

    该论文概述了生成对抗网络 (GAN) 在农业图像分析中的应用，并对其在植物健康、水产养殖、动物饲养、果实检测等方面进行了系统回顾，讨论了 GAN 的挑战和机遇。

    Apr, 2022

  • 运用迁移学习实现全球农作物地图

    本文使用卫星数据和深度学习方法，建立一个基于转移学习的农作物类型检测模型，成功地在韩国、法国、西班牙和荷兰等地区对水稻和大麦进行了检测。

    Nov, 2022

  • 非可见光数据综合应用研究：合成孔径雷达成像案例研究

    通过研究大规模预训练图像生成模型在非可见光领域的应用，特别以合成孔径雷达（SAR）数据为案例研究，提出了一种 2 阶段低秩自适应方法（2LoRA）和改良版本原型 LoRA（pLoRA），以生成 SAR 数据并在 SAR 分类和分割模型的训练过程中取得显著的改进效果。

    Nov, 2023

  • SEN1-2 数据集用于合成孔径雷达光学数据深度学习

    发布 SEN1-2 数据集以促进 SAR - 光学数据融合领域中深度学习研究的发展，该数据集包括来自全球各地和各个气象季节的 282,384 对相应的图像块，并提供了多种应用示例，如 SAR 图像着色、SAR - 光学图像匹配以及从 SAR 输入数据创建模拟光学图像。

    Jul, 2018

  • FACTUAL: 基于对比学习的鲁棒 SAR 图像分类的新框架

    利用 FACTUAL 框架进行对抗训练和鲁棒性合成孔径雷达目标识别，通过引入逼真的物理对抗攻击方案和线性分类器级联的方法，在干净样本和扰动样本上预训练和微调后，模型在两种情况下的预测准确率分别达到 99.7% 和 89.6%，都优于现有最先进方法。

    Apr, 2024

  • 使用混合数据集训练深度学习模型以实现对真实合成孔径雷达图像的稳健自动目标检测

    通过使用合成目标，训练具有深度学习方法的自动目标检测模型来解决合成孔径雷达图像中地面目标检测算法所面临的挑战，并证明该方法能在无需真实数据训练的情况下，在真实数据上达到高达 90% 的平均精度。

    May, 2024