Feb, 2024

BenchCloudVision: 云检测和遥感影像云分割的深度学习方法评估

PDF
TL;DR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。
satellitesoptical sensorsremote sensingcloud detectionspectral bands
发现论文，激发创造
  • 实时语义分割：遥感中的简要调查与比较研究

    远程感知影像的实时语义分割是一个具有挑战性的任务，需要在效果和效率之间进行权衡。本论文总结了设计高效深度神经网络的基本压缩方法，并对远程感知影像的实时语义分割的最新发展进行了简要而全面的调查。实验结果表明，现有的大多数高效深度神经网络都具有良好的分割质量，但它们存在推理速度低（即高延迟率）的问题，可能限制了它们在实时应用中的部署能力。我们对远程感知影像实时语义分割的当前趋势和未来研究方向提供了一些见解。

    Sep, 2023

  • 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

  • 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

  • 学习从噪声标注中检测遥感图像中的云和雪

    通过构建新的数据集、提出新的训练策略以及设计更适用的模型性能评估方法，本文首次考虑标签噪声对遥感图像中云和雪的检测的影响，并验证了所提出方法的有效性。

    Jan, 2024

  • Cloud-Net：一种适用于 Landsat 8 影像的端到端云检测算法

    本文提出了一种基于深度学习的算法，称为 Cloud-Net，用于在仅有少量谱带的卫星影像中探测云层，实验结果显示，该算法在 Jaccard Index 上的性能超过了现有算法的 8.7%。

    Jan, 2019

  • 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

  • 增强遥感云理解的自适应标记

    通过创新的模型无关的云自适应标注（CAL）方法来提高云分割模型的性能，该方法使用原始标注进行训练，然后利用可调节的像素强度阈值对云训练图像进行自适应标注，最终通过此方法显著提高现有分割模型的性能。

    Nov, 2023

  • 遥感影像场景分类遇上深度学习：挑战、方法、基准和机遇

    本文系统地介绍了 160 多篇文献中深度学习在遥感图像场景分类中的应用，包括自编码器、卷积神经网络和生成对抗网络等方面，总结了在三个常用数据集上的代表性算法的性能以及未来的研究前景。

    May, 2020

  • 面向航空图像的开放式语义分割

    本研究致力于解决遥感图像 open-set 场景下的语义分割技术的问题，开发出一种新的方法，并对其进行了评估，得出了与封闭集方法相同数据集相比具有竞争力的结果

    Jan, 2020

  • 基于深度神经网络的建筑轮廓分割多任务学习

    本文研究了高分辨率遥感卫星图像中像素级预测方法的挑战，提出了一种新的级联多任务损失来保留语义分割边界。结果表明，不需要额外的后处理步骤，我们的方法在 Inria 航空图像标注数据集上优于现有技术 8.3％。

    Sep, 2017